# تصویر نهفته لایه‌ای Qwen خالی

Empty Qwen Image Layered Latent بوم خالی را آماده می‌کند که مدل Qwen-Image-Layered روی آن نقاشی می‌کشد. آن را به‌صورت دسته‌ای از برگه‌های ردیابی تمیز در نظر بگیرید که به‌ترتیب به هم متصل شده‌اند: مدل برگ اول را با تصویر کامل پر می‌کند و هر برگ بعدی را با بخشی از آن تصویر. این گره تعیین می‌کند که برگه‌ها چقدر بزرگ باشند و چه تعداد باشند. خودش هیچ چیزی رسم نمی‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `عرض` | عرض تصویر نهان (latent) که باید ساخته شود. مقدار باید بر ۱۶ بخش‌پذیر باشد. (پیش‌فرض: 640) | INT | بله | 16 تا MAX_RESOLUTION (گام 16) |
| `ارتفاع` | ارتفاع تصویر نهان (latent) که باید ساخته شود. مقدار باید بر ۱۶ بخش‌پذیر باشد. (پیش‌فرض: 640) | INT | بله | 16 تا MAX_RESOLUTION (گام 16) |
| `لایه‌ها` | تعداد لایه‌هایی که تصویر به آن‌ها جدا می‌شود. یک برگ اضافه همیشه برای تصویر کامل رزرو می‌شود، بنابراین شما `layers + 1` تصویر دریافت می‌کنید، نه `layers`. اگر آن را روی ۲ بگذارید، تصویر کامل به‌علاوه ۲ لایه دریافت می‌کنید. اگر روی ۰ بگذارید، فقط تصویر کامل را دریافت می‌کنید. (پیش‌فرض: 3) | INT | بله | 0 تا MAX_RESOLUTION (گام 1) |
| `اندازه دسته` | تعداد نمونه‌های نهان (latent) که در یک دسته (batch) تولید می‌شوند. (پیش‌فرض: 1) | INT | بله | 1 تا 4096 |

**نکته:** پارامترهای `width` و `height` به‌صورت داخلی بر ۸ تقسیم می‌شوند تا ابعاد مکانی تنسور خروجی latent تعیین شود.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `samples` | یک تنسور latent پر از صفر. شکل آن `[batch_size, 16, layers + 1, height // 8, width // 8]` است. | LATENT |

## چرا یک تصویر بیشتر از آنچه خواسته‌اید دریافت می‌کنید

Qwen-Image-Layered نه تنها یک تصویر را از هم جدا می‌کند، بلکه تصویر کامل را روی برگه‌ی جداگانه‌ی خودش، در کنار لایه‌ها، دوباره نقاشی می‌کند. به همین دلیل است که ارتفاع دسته‌برگ همیشه یک برگ بیشتر از تعداد لایه‌هایی است که خواسته‌اید.

- **اولین تصویر تصویر کامل است، نه یک لایه.** این همان تصویری است که از قبل دارید، پس اگر فقط لایه‌ها را می‌خواهید، آن را دور بیندازید.
- **همه لایه‌ها را دوباره روی هم بگذارید تا دوباره تصویر کامل را به دست آورید.** اگر آن‌ها به تصویر اول بازنگردند، جداسازی آن‌طور که می‌خواستید کار نکرده است، بنابراین این راهی سریع برای بررسی نتیجه است.
- **برگه‌ها را به ترتیب نگه دارید.** دسته‌برگ تنها رکوردی است از اینکه کدام لایه بالای کدام لایه قرار دارد. روی خود برگه‌ها چیزی نوشته نشده است که جایگاه آن‌ها را نشان دهد، بنابراین مرتب‌سازی دوباره یا حذف تصاویر به معنای مرتب‌سازی دوباره یا از دست دادن لایه‌ها است.
- **لایه‌ها با شفافیت (transparency) خارج می‌شوند**، بنابراین می‌توانند روی هم چیده شوند بدون اینکه لایه‌های پایینی پشت یک پس‌زمینه‌ی غیرشفاف پنهان شوند.

## پیشنهادهای استفاده

خروجی را همان‌طور که یک latent خالی معمولی را می‌فرستید، به سمپلر (sampler) بفرستید و سپس LatentCutToBatch را با `dim` برابر با `t` قبل از VAE Decode قرار دهید. این همان مرحله‌ای است که دسته‌برگ را به تصاویر جداگانه، به‌ترتیب، و با شروع از تصویر کامل، از هم جدا می‌کند.

با پیش‌فرض ۳ لایه شروع کنید. درخواست لایه‌های بیشتر به معنای تولید طولانی‌تر و جداسازی دقیق‌تر است و ارزش افزایش دادن ندارد تا وقتی که ببینید مدل با تعداد کم چه می‌کند.

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/EmptyQwenImageLayeredLatentImage/fa.md)

---
**Source fingerprint (SHA-256):** `5ccac979fcbcefb65f28867a89401c095cb330e09c13270008c32feeeafb1287`
