این گره روش Scaling اپسیلون را از مقاله تحقیقاتی "روشن‌سازی سوگیری نوردهی در مدل‌های انتشار" (arxiv.org/abs/2308.15321v6) پیاده‌سازی می‌کند. این روش با مقیاس‌دهی نویز پیش‌بینی‌شده در طول فرآیند نمونه‌برداری کار می‌کند تا به کاهش سوگیری نوردهی کمک کند، که می‌تواند منجر به بهبود کیفیت تصاویر تولیدشده شود. این پیاده‌سازی از "برنامه زمانی یکنواخت" توصیه‌شده در مقاله به دلیل کارایی و اثربخشی آن استفاده می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | اجباری | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدلی که پچ مقیاس‌دهی اپسیلون روی آن اعمال خواهد شد. | MODEL | بله | - |
| `ضریب مقیاس‌دهی` | عاملی که نویز پیش‌بینی‌شده با آن مقیاس‌دهی می‌شود. مقدار بیشتر از 1.0 نویز را کاهش می‌دهد، در حالی که مقدار کمتر از 1.0 آن را افزایش می‌دهد (پیش‌فرض: 1.005). | FLOAT | خیر | 0.5 - 1.5 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مدل` | نسخه پچ‌شده مدل ورودی که تابع مقیاس‌دهی اپسیلون روی فرآیند نمونه‌برداری آن اعمال شده است. | 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/Epsilon Scaling/fa.md)

---
**Source fingerprint (SHA-256):** `85c464ce0b2ec2a031a01d9eef5d50fd300be3012499cc061705fb7964110882`