### مرور کلی

گره Self-Attention Guidance با تغییر مکانیزم توجه در طول فرآیند نمونه‌گیری، بر مدل‌های انتشار (diffusion models) راهنمایی اعمال می‌کند. این گره نمرات توجه را از مراحل حذف نویز بدون شرط (unconditional denoising) ثبت کرده و از آن‌ها برای ایجاد نقشه‌های راهنمای تار (blurred guidance maps) استفاده می‌کند که بر خروجی نهایی تأثیر می‌گذارند. این تکنیک با بهره‌گیری از الگوهای توجه خود مدل، به هدایت فرآیند تولید کمک می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | ضروری | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدل انتشار که راهنمایی توجه به خود (self-attention guidance) روی آن اعمال می‌شود | MODEL | بله | - |
| `مقیاس` | قدرت اثر راهنمایی توجه به خود (پیش‌فرض: 0.5) | FLOAT | خیر | 2.0- تا 5.0 |
| `سیگمای تاری` | میزان تاری اعمال‌شده برای ایجاد نقشه راهنما (پیش‌فرض: 2.0) | FLOAT | خیر | 0.0 تا 10.0 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مدل` | مدل اصلاح‌شده با راهنمایی توجه به خود اعمال‌شده | MODEL |

**توجه:** این گره در حال حاضر آزمایشی است و در دسته‌های تکه‌تکه (chunked batches) محدودیت دارد. این گره فقط می‌تواند نمرات توجه را از یک فراخوانی UNet ذخیره کند و ممکن است با اندازه‌های دسته بزرگ‌تر به درستی کار نکند.

> 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/SelfAttentionGuidance/fa.md)

---
**Source fingerprint (SHA-256):** `5f16ecd8f74bfd71073c6e3a65be08e54e4f5b9c56fe08deb48f35df381e82fa`