گره VAEDecodeTiled با استفاده از رویکرد کاشی‌کاری (tiled)، بازنمایی‌های نهفته (latent) را به تصاویر تبدیل می‌کند تا تصاویر بزرگ را به‌طور کارآمد پردازش کند. این گره ورودی را در کاشی‌های کوچک‌تر پردازش می‌کند تا مصرف حافظه را مدیریت کرده و کیفیت تصویر را حفظ کند. همچنین از VAEهای ویدیویی با پردازش فریم‌های زمانی در تکه‌هایی با هم‌پوشانی برای انتقال روان پشتیبانی می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | ضروری | محدوده |
| --- | --- | --- | --- | --- |
| `نمونه‌ها` | بازنمایی نهفته‌ای که باید به تصاویر تبدیل شود | LATENT | بله | - |
| `vae` | مدل VAE مورد استفاده برای رمزگشایی نمونه‌های نهفته | VAE | بله | - |
| `اندازه کاشی` | اندازه هر کاشی برای پردازش (پیش‌فرض: 512) | INT | بله | 64-4096 (گام: 32) |
| `همپوشانی` | میزان هم‌پوشانی بین کاشی‌های مجاور (پیش‌فرض: 64) | INT | بله | 0-4096 (گام: 32) |
| `اندازه زمانی` | فقط برای VAEهای ویدیویی: تعداد فریم‌هایی که در هر بار رمزگشایی می‌شوند (پیش‌فرض: 64) | INT | بله | 8-4096 (گام: 4) |
| `همپوشانی زمانی` | فقط برای VAEهای ویدیویی: تعداد فریم‌های هم‌پوشانی (پیش‌فرض: 8) | INT | بله | 4-4096 (گام: 4) |

**نکته:** گره به‌طور خودکار مقادیر هم‌پوشانی را در صورت تجاوز از محدودیت‌های عملی تنظیم می‌کند. اگر `tile_size` کمتر از 4 برابر `overlap` باشد، هم‌پوشانی به یک چهارم اندازه کاشی کاهش می‌یابد. به‌طور مشابه، اگر `temporal_size` کمتر از دو برابر `temporal_overlap` باشد، هم‌پوشانی زمانی نصف می‌شود. گره همچنین نسبت‌های فشرده‌سازی داخلی VAE را هنگام محاسبه اندازه کاشی و هم‌پوشانی برای ابعاد مکانی و زمانی در نظر می‌گیرد.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `IMAGE` | تصویر یا تصاویر رمزگشایی شده تولید شده از بازنمایی نهفته | IMAGE |

> 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/VAEDecodeTiled/fa.md)

---
**Source fingerprint (SHA-256):** `193d5cb219d66855ae581d3e4488b7b6ae3a45b735fb0f9f784fea1f5d466e46`