# VaeDecodeShapeTrellis

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
|-----------|-------------|-----------|----------|-------|
| `نمونه‌ها` | نمونه‌های latent برای رمزگشایی، شامل تنسور نمونه و داده‌های مختصات پراکنده. دیکشنری latent ممکن است شامل فیلدهای اختیاری نیز باشد: `coord_counts` برای شکل‌های دسته‌ای، `coord_resolution` برای کنترل رزولوشن مش، و `model_frame` برای جهت‌گیری مختصات. | LATENT | بله | None |
| `vae` | مدل VAE مورد استفاده برای رمزگشایی latent شکل به مش. | VAE | بله | None |

### نکاتی درباره `samples`

- ورودی `samples` یک دیکشنری latent است که باید شامل تنسور `samples` و مختصات پراکنده `coords` باشد.
- اگر `coord_counts` موجود باشد، باید یک تنسور یک‌بعدی از اعداد صحیح نامنفی باشد، و مجموع همه شمارش‌ها باید برابر با تعداد کل سطرهای مختصات باشد. هر شمارش نمایانگر یک شکل در دسته است.
- اگر `coord_resolution` ارائه شود، رزولوشن مش به‌صورت `coord_resolution * 16` محاسبه می‌شود. در غیر این صورت، از بافر رزولوشن داخلی VAE استفاده می‌شود (مقدار پیش‌فرض: 1024).
- اگر `model_frame` روی `"z_up"` تنظیم شده باشد، رأس‌های مش رمزگشایی‌شده از دستگاه مختصات Z-up به قرارداد Y-up مورد استفاده در glTF چرخانده می‌شوند. مقدار پیش‌فرض `"y_up"` است.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
|-------------|-------------|-----------|
| `mesh` | مش سه‌بعدی رمزگشایی‌شده، شامل موقعیت‌های رأس و اندیس‌های وجه. هنگام رمزگشایی چندین شکل، مش‌ها به‌صورت یک تنسور انباشته واحد بازگردانده می‌شوند اگر همه شکل یکسانی داشته باشند، در غیر این صورت به‌صورت یک دسته بسته‌بندی‌شده با اندازه متغیر. | MESH |
| `shape_subdivides` | داده‌های زیرتقسیم شکل تولیدشده در هر مرحله از فرایند رمزگشایی. | SHAPE_SUBDIVIDES |

> 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/VaeDecodeShapeTrellis/fa.md)

---
**Source fingerprint (SHA-256):** `28bd0f69c0ea58ca499f6523471cf6071c041c21242126715d56f362484377a2`
