本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑HyperTile 节点对扩散模型中的注意力机制应用分块技术，以优化图像生成过程中的内存使用。它将潜在空间划分为更小的图块并分别处理，然后重新组合结果。这使得在内存不足的情况下也能处理更大的图像尺寸。
输入
| 参数 | 数据类型 | 是否必填 | 范围 | 描述 |
|---|---|---|---|---|
模型 | MODEL | 是 | - | 要应用 HyperTile 优化的扩散模型 |
分块尺寸 | INT | 否 | 1 - 2048 | 处理时的目标图块大小（默认值：256）。有效图块大小向下取整为 8 的倍数，最小值为 32。 |
分割尺寸 | INT | 否 | 1 - 128 | 控制处理过程中图块的重排方式以提高效率（默认值：2） |
最大深度 | INT | 否 | 0 - 10 | 应用分块的最大深度级别（分辨率尺度）。值为 0 时仅对最高分辨率应用分块（默认值：0） |
规模深度 | BOOLEAN | 否 | True / False | 启用后，在更深的深度级别上按比例缩放图块大小。这有助于在较低分辨率下保持质量（默认值：False） |
输出
| 输出名称 | 数据类型 | 描述 |
|---|---|---|
模型 | MODEL | 应用了 HyperTile 优化后的修改模型 |
Source fingerprint (SHA-256):
d3c55e6a38abecc8fe612dbb91a3ba26de9bc5cf8a187f01cf4746550f62f40a