# Set Reference Multi Latent

این گره یک یا چند تصویر مرجع را رمزگذاری می‌کند و latent‌های آن‌ها را به شرطی‌سازی‌ای که یک مدل ویرایش مصرف می‌کند، می‌افزاید. این گره همتای چندتصویری Set Reference Latent است: یک VAE به همراه مجموعه‌ای از تصاویر مرجع متصل می‌کنید و گره هر latent رمزگذاری‌شده را به شرطی‌سازی مثبت و در صورت اتصال، به شرطی‌سازی منفی نیز می‌افزاید. از آن زمانی استفاده کنید که یک مدل انتظار چندین تصویر مرجع را به‌طور همزمان دارد، نه یک latent واحد.

## ورودی‌ها

### ورودی‌های مشترک

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `positive` | شرطی‌سازی مثبت که با latent‌های مرجع تغییر داده می‌شود. | CONDITIONING | بله | - |
| `negative` | شرطی‌سازی منفی اختیاری که همان latent‌های مرجع را دریافت می‌کند. آن را متصل نگذارید تا شرطی‌سازی مثبت تغییر‌یافته در خروجی `negative` دوباره استفاده شود. | CONDITIONING | خیر | - |
| `vae` | VAE‌ای که برای رمزگذاری تصاویر مرجع متصل‌شده استفاده می‌شود. اگر VAE متصل نباشد، تصاویر مرجع نادیده گرفته می‌شوند. | VAE | خیر | - |
| `resolution` | نحوه آماده‌سازی هر تصویر مرجع پیش از رمزگذاری. `"keep resolution"` آن را با اندازه ورودی‌اش رمزگذاری می‌کند؛ `"resize"` آن را با حفظ نسبت ابعاد به تعداد مگاپیکسل هدف تغییر مقیاس می‌دهد، که `megapixels` را نمایان می‌کند. (پیش‌فرض: "keep resolution") | DYNAMIC_COMBO | بله | `"keep resolution"`<br>`"resize"` |
| `images` | جایگاه قابل‌گسترش: یک یا چند تصویر مرجع (`image_1`، `image_2`، ...) را برای استفاده به‌عنوان مرجع متصل کنید. تصاویر به ترتیب جایگاه رمزگذاری می‌شوند و به همان ترتیب به شرطی‌سازی افزوده می‌شوند. | IMAGE | خیر | 1 تا 100 |

### ورودی‌های تغییر اندازه

این گزینه‌ها زمانی نمایان می‌شوند که `resolution` روی `"resize"` تنظیم شده باشد.

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
| --- | --- | --- | --- | --- |
| `megapixels` | اندازه هدف هر تصویر مرجع، با حفظ نسبت ابعاد. 1.0 حدوداً 1024 × 1024 پیکسل است. (پیش‌فرض: 1.0) | FLOAT | بله | 0.01 تا 16.0 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `positive` | شرطی‌سازی مثبت با latent‌های مرجع رمزگذاری‌شده که به آن افزوده شده‌اند. | CONDITIONING |
| `negative` | شرطی‌سازی منفی با همان latent‌های مرجع که به آن افزوده شده‌اند. زمانی که هیچ شرطی‌سازی منفی متصل نباشد، خروجی `positive` را برمی‌گرداند. | CONDITIONING |
| `empty_latent` | اولین latent مرجع ضرب در 0.0، آماده برای seed کردن یک sampler. اگر هیچ latent مرجعی تولید نشود، در عوض یک latent خالی مربعی با تفکیک‌پذیری انتخاب‌شده بازگردانده می‌شود. | LATENT |

## نکته‌ها

- latent‌ها به‌جای جایگزین شدن، افزوده می‌شوند؛ بنابراین زنجیره‌کردن چند گره Set Reference Multi Latent باعث انباشته شدن مراجع می‌شود.
- هر تصویر متصل‌شده به‌صورت جداگانه رمزگذاری می‌شود، بنابراین تصاویر مرجع لازم نیست اندازه یکسانی داشته باشند.
- اگر VAE متصل نباشد یا هیچ تصویری متصل نباشد، `positive` و `negative` بدون تغییر برگردانده می‌شوند و `empty_latent` یک latent خالی مربعی است: 1024 x 1024، یا در صورت `"resize"` بودن `resolution`، اندازه‌ای برگرفته از `megapixels`.

> 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/ReferenceMultiLatent/fa.md)

---
**Source fingerprint (SHA-256):** `06f98e7c21e8750a2bdf365cb80fac990bcf01246f183c60ef83bd195fc1225b`
