# HyperTile

HyperTile یک تکنیک کاشی‌کاری را روی مکانیزم توجه درون مدل‌های انتشار اعمال می‌کند تا مصرف حافظه را در حین تولید تصویر کاهش دهد. این روش فضای نهفته را به کاشی‌های کوچک‌تر تقسیم می‌کند، توجه هر کاشی را جداگانه پردازش می‌کند و سپس نتایج را دوباره سرهم می‌کند. این کار امکان کار با اندازه‌های تصویر بزرگ‌تر را بدون اتمام حافظه فراهم می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدل انتشار برای اعمال بهینه‌سازی HyperTile | MODEL | بله | - |
| `اندازه کاشی` | اندازه کاشی هدف برای پردازش (پیش‌فرض: 256). به‌صورت داخلی، مقدار حداقل به 32 محدود می‌شود و سپس بر 8 تقسیم می‌شود تا اندازه کاشی مؤثر به دست آید. | INT | بله | 1 - 2048 |
| `اندازه تعویض` | کنترل می‌کند که کاشی‌ها در حین پردازش چگونه بازآرایی شوند تا کارایی بهتر شود. مقادیر بزرگ‌تر تغییرات بیشتری در اندازه کاشی‌ها مجاز می‌کنند (پیش‌فرض: 2) | INT | بله | 1 - 128 |
| `حداکثر عمق` | حداکثر سطح عمق (مقیاس وضوح) برای اعمال کاشی‌کاری. مقدار 0 کاشی‌کاری را فقط در بالاترین وضوح اعمال می‌کند (پیش‌فرض: 0) | INT | بله | 0 - 10 |
| `مقیاس عمق` | در صورت فعال بودن، اندازه کاشی در سطوح عمق بیشتر به‌صورت نسبی مقیاس‌بندی می‌شود. این کار می‌تواند به حفظ کیفیت در وضوح‌های پایین‌تر کمک کند (پیش‌فرض: False) | BOOLEAN | بله | True / False |

توجه: `tile_size`، `swap_size`، `max_depth` و `scale_depth` به‌عنوان ورودی‌های پیشرفته علامت‌گذاری شده‌اند، بنابراین فقط زمانی نمایش داده می‌شوند که گزینه‌های پیشرفته در رابط کاربری فعال شده باشند.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `model` | مدل اصلاح‌شده با بهینه‌سازی HyperTile اعمال‌شده | MODEL |

> 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/HyperTile/fa.md)

---
**Source fingerprint (SHA-256):** `fb2fa29a403b6b7de7d5263240cc51a74126078457a3ff9ea63aeded45b9b74a`
