# Stable Diffusion with LoRAs · Inpaint API > নির্বাচিত Stable Diffusion বেস মডেল ও LoRAs ব্যবহার করে, সাদা-কালো মাস্ক দ্বারা নির্দেশিত ইনপেইন্টিং `model_name`-এ নির্ধারিত Stable Diffusion মডেল ব্যবহার করে `image_url` এবং সাদা-কালো `mask_url` দিয়ে ছবির কিছু অংশ সম্পাদনা করে। `noise_strength` 0 থেকে 1 পর্যন্ত। মার্জ করা LoRAs, এম্বেডিং, ControlNets, IP adapters এবং একাধিক scheduler সমর্থন করে, যেখানে ধাপ 1 থেকে 150 পর্যন্ত। আউটপুট png বা jpeg। - Model id: `lora/inpaint` - Made by: Open model - Category: Image Editing - Output: image - Estimated price per run: $0.184 / image (cheapest run $0.184 (184 API credits)) - Run: `POST https://api.doitong.com/v1/run/lora/inpaint` - Quote: `POST https://api.doitong.com/v1/quote/lora/inpaint` - Docs page: https://doitong.com/bn/developers/models/lora/inpaint ## Pricing Price: **$0.184 / image**. Estimated from the typical cost of one run, per output (`num_images`). The quote is exactly what the run charges. The full example input below costs $0.184 = 184 API credits (1 image × 184 API credits). Prices are the upstream price in USD, paid from the API balance in API credits (1000 API credits = 1 USD). `POST https://api.doitong.com/v1/quote/lora/inpaint` with the same JSON body returns the exact price for that input; the quote is exactly what a run charges. Invalid input is never charged and failed or canceled requests are refunded automatically. ## Input parameters Send either the canonical name or the native field name (not both). Canonical names are the same across models. | Parameter | Canonical name | Type | Required | Default | Allowed values / range | Description | |---|---|---|---|---|---|---| | `model_name` | | string | yes | | | ছবি জেনারেট করার বেস মডেল, URL অথবা HuggingFace ID দ্বারা শনাক্ত। | | `unet_name` | | string \| null | no | | | ছবি জেনারেট করার জন্য কাস্টম U-Net নির্বাচন; এর HuggingFace ID অথবা URL দিন। | | `variant` | | string \| null | no | | | HuggingFace মডেল ভ্যারিয়েন্ট নির্বাচন; 'fp16' একটি উদাহরণ। | | `prompt` | | string | yes | | | আপনি যে ছবি জেনারেট করতে চান তা যতটা সম্ভব বিস্তারিতভাবে বর্ণনা করুন, যাতে সেরা ফলাফল পাওয়া যায়। | | `negative_prompt` | | string | no | `` | | অনাকাঙ্ক্ষিত ছবির বিস্তারিত নির্দিষ্ট করা নেগেটিভ প্রম্পট। এটি রং, বস্তু, দৃশ্য বা সূক্ষ্ম বৈশিষ্ট্য ও গুণাবলি—যেমন গোঁফ, ব্লার বা কম রেজোলিউশন—বাদ দিতে পারে। | | `prompt_weighting` | | boolean | no | `false` | | প্রম্পট-ওয়েটিং টগল: true হলে embedding averaging-এর মাধ্যমে 77 টোকেনের সীমা সরিয়ে ওয়েটিং সিনট্যাক্স সক্রিয় করে। | | `image_url` | `image` | string (image URL) \| null | no | | | image-to-image জেনারেশন বা inpainting-এর জন্য উৎস ছবির URL। | | `mask_url` | `mask` | string (image URL) \| null | no | | | সাদা-কালো ছবির দিকে নির্দেশ করা inpainting mask URL। | | `noise_strength` | | number | no | `0.5` | ≤ 1, > 0 | যোগ করা ছবির noise-এর মাত্রা নিয়ন্ত্রণ করে, যেখানে 1.0 সম্পূর্ণ noise এবং 0-এর কাছাকাছি সেটিং ন্যূনতম noise বোঝায়। এটি শুধু image_url সরবরাহ করা হলে প্রযোজ্য। | | `loras` | | array of object {path, scale} | no | `[]` | | যেসব LoRA-র সম্মিলিত ইফেক্টে জেনারেট করা ছবি তৈরি হয়; সরবরাহযোগ্য সংখ্যার কোনো সীমা নেই। | | `loras[].path` | | string | yes | | | LoRA weights-এর অবস্থান, URL বা path হিসেবে নির্দিষ্ট করা হয়। | | `loras[].scale` | | number | no | `1` | 0 – 4 | বেস মডেলে মার্জ করার আগে LoRA-এর ওজনে প্রয়োগ করা গুণক। | | `embeddings` | | array of object {path, tokens} | no | `[]` | | ছবি জেনারেশনের সময় প্রয়োগ করা embeddings, যা প্রম্পট টোকেনকে embedding weight-এ ম্যাপ করে। বর্তমানে কেবল একটি embedding সমর্থিত। | | `embeddings[].path` | | string | yes | | | URL বা ফাইল path দ্বারা নির্দিষ্ট embedding weights। | | `embeddings[].tokens` | | array of string \| null | no | | | embedding weight-এ ম্যাপ করা প্রম্পট টোকেন। এগুলো বাদ দিলে embedding-file vector প্রতি একটি করে টোকেন তৈরি হয়, যার নাম , , ...; আপনার প্রম্পটে ম্যাপ করা টোকেন ব্যবহার করুন। | | `controlnets` | | array of object {path, config_url, variant, image_url, mask_url, conditioning_scale, start_percentage, end_percentage, ip_adapter_index} | no | `[]` | | জেনারেশনের সময় নির্দিষ্ট timestep-এ ছবিতে প্রয়োগের জন্য নির্ধারিত Control net; আপনি যতগুলো দিতে পারেন, তার কোনো সীমা নেই। | | `controlnets[].path` | | string | yes | | | ControlNet-এর ওজনের অবস্থান, URL অথবা path হিসেবে নির্দিষ্ট। | | `controlnets[].config_url` | | string \| null | no | | | ControlNet-এর config.json ফাইলের দিকে নির্দেশ করা ঐচ্ছিক URL। | | `controlnets[].variant` | | string \| null | no | | | Hugging Face রিপোজিটরি key-এর সঙ্গে ব্যবহারের জন্য ঐচ্ছিক variant। | | `controlnets[].image_url` | | string (image URL) | yes | | | ControlNet ইনপুট হিসেবে দেওয়া ছবির URL। | | `controlnets[].mask_url` | | string (image URL) \| null | no | | | ControlNet মাস্ক; দেওয়া হলে এর আকার কন্ট্রোল ছবির আকারের সঙ্গে মিলতে হবে, এবং প্রস্থ ও উচ্চতা উভয়ই 32 দিয়ে বিভাজ্য হতে হবে। | | `controlnets[].conditioning_scale` | | number | no | `1` | 0 – 2 | বেস মডেলের সঙ্গে একীভূত করার আগে ControlNet ওজনে প্রয়োগ করা স্কেলিং। | | `controlnets[].start_percentage` | | number | no | `0` | 0 – 1 | মোট টাইমস্টেপের যে শতাংশে ControlNet ছবির জেনারেশনে প্রভাব বিস্তার শুরু করে। | | `controlnets[].end_percentage` | | number | no | `1` | 0 – 1 | মোট টাইমস্টেপের যে শতাংশে ControlNet ছবির জেনারেশনে প্রভাব বিস্তার বন্ধ করে। | | `controlnets[].ip_adapter_index` | | integer \| null | no | | | InstantID ControlNet-এর জন্য ইনডেক্স দিয়ে IP adapter নির্বাচন; অন্য ControlNet-এর ক্ষেত্রে এই সেটিং প্রয়োজন নেই। | | `controlnet_guess_mode` | | boolean | no | `false` | | true হলে ControlNet-এর প্রয়োগ কেবল conditional prediction-এ সীমাবদ্ধ করে। | | `ip_adapter` | | array of object {ip_adapter_image_url, ip_adapter_mask_url, path, model_subfolder, weight_name, insight_face_model_path, scale, scale_json, unconditional_noising_factor, image_projection_shortcut} | no | `[]` | | ছবি জেনারেশনের জন্য ব্যবহৃত IP adapter। যেকোনো এন্ট্রি দিলে image_encoder_path প্রয়োজন। | | `ip_adapter[].ip_adapter_image_url` | | string (image URL) \| array of image URL | yes | | | IP adapter ইনপুট হিসেবে সরবরাহ করা ছবির URL। | | `ip_adapter[].ip_adapter_mask_url` | | string (image URL) \| null | no | | | IP adapter মাস্ক; সরবরাহ করা হলে আকারের সীমাবদ্ধতা প্রযোজ্য: এর মাত্রা adapter ছবির মাত্রার সমান হতে হবে। | | `ip_adapter[].path` | | string | yes | | | IP adapter ওজনের অবস্থান, URL বা path হিসেবে নির্দিষ্ট। | | `ip_adapter[].model_subfolder` | | string \| null | no | | | IP adapter ওজনের অবস্থান, মডেল ডিরেক্টরির একটি সাবফোল্ডার হিসেবে নির্দিষ্ট। | | `ip_adapter[].weight_name` | | string \| null | no | | | ওজনের ফাইলের নাম। | | `ip_adapter[].insight_face_model_path` | | string \| null | no | | | InsightFace মডেল ওজনের অবস্থান, URL বা path হিসেবে নির্দিষ্ট। | | `ip_adapter[].scale` | | number | no | `1` | ≥ 0 | IP adapter ওজনের স্কেলিং ফ্যাক্টর, যা বেস মডেলের সঙ্গে মার্জ করার আগে প্রয়োগ করা হয়। | | `ip_adapter[].scale_json` | | object \| null | no | | | IP adapter ওজনের স্কেলিং ফ্যাক্টর, যা বেস মডেলের সঙ্গে মার্জ করার আগে প্রয়োগ করা হয়। | | `ip_adapter[].unconditional_noising_factor` | | number | no | `0` | 0 – 1 | IP adapter-এর unconditional noising নিয়ন্ত্রণকারী ফ্যাক্টর। | | `ip_adapter[].image_projection_shortcut` | | boolean | no | `true` | | ছবি প্রজেকশনের শর্টকাট সেটিং, যেখানে True ডিফল্ট। FaceID plus V1 মডেলের জন্য False এবং FaceID plus V2 মডেলের জন্য True ব্যবহার করুন। | | `image_encoder_path` | | string \| null | no | | | HTTPS URL বা Hugging Face ID দিয়ে নির্দিষ্ট করা ছবি এনকোডার, যার সামঞ্জস্য IP-Adapter ওয়েটের ওপর নির্ভর করে: SD1.5 ব্যবহার করে image_encoder_subfolder='models/image_encoder', আর h94/IP-Adapter SDXL ব্যবহার করে h94/IP-Adapter এবং image_encoder_subfolder='sdxl_models/image_encoder'। ip_adapter-এ কোনো মান থাকলে এনকোডার আবশ্যক। | | `image_encoder_subfolder` | | string \| null | no | | | image_encoder_path-এর মধ্যে যে সাবডিরেক্টরিতে ছবি এনকোডারের ওয়েট থাকে। | | `image_encoder_weight_name` | | string \| null | no | `pytorch_model.bin` | | ছবি তৈরিতে ব্যবহারের জন্য নাম দিয়ে ছবি এনকোডারের ওয়েট বেছে নিন। | | `ic_light_model_url` | | string \| null | no | | | ছবি জেনারেশনের সময় ব্যবহৃত IC Light মডেলের URL। | | `ic_light_model_background_image_url` | | string (image URL) \| null | no | | | IC Light ছবি জেনারেশনের জন্য মডেল-সামঞ্জস্যপূর্ণ ব্যাকগ্রাউন্ড, ছবির URL হিসেবে সরবরাহ করা। | | `ic_light_image_url` | | string (image URL) \| null | no | | | IC Light মডেল দিয়ে জেনারেশনের জন্য ইনপুট ছবির URL। | | `seed` | | integer \| null | no | | | Stable Diffusion-এ ছবি পুনরুৎপাদনের seed। মডেলের সংস্করণ, প্রম্পট এবং seed অপরিবর্তিত রাখলে প্রতিবার ছবি হুবহু পুনরুৎপাদন করা যায়। | | `num_inference_steps` | | integer | no | `30` | 1 – 150 | Stable Diffusion-এর জেনারেশন ধাপের সংখ্যা নিয়ন্ত্রণ করে; অতিরিক্ত ধাপে আরও বিস্তারিত চূড়ান্ত ছবি পাওয়া যেতে পারে। | | `guidance_scale` | | number | no | `7.5` | 0 – 20 | ছবি নির্বাচনের জন্য প্রম্পট-অনুসরণের শক্তি, CFG (Classifier Free Guidance) হিসেবে প্রকাশ করা। | | `clip_skip` | | integer | no | `0` | 0 – 2 | দ্রুত রেন্ডার করার জন্য ছবি জেনারেশনের একটি অংশ বাদ দেয়, ফলে ফলাফল সামান্য ভিন্ন হয়। | | `scheduler` | | enum (string) \| null | no | | `DPM++ 2M`, `DPM++ 2M Karras`, `DPM++ 2M SDE`, `DPM++ 2M SDE Karras`, `Euler`, `Euler A`, `Euler (trailing timesteps)`, `LCM`, `LCM (trailing timesteps)`, `DDIM`, `TCD` | ছবির নয়েজ দূর করতে ব্যবহৃত শিডিউলার বা স্যাম্পলার। | | `timesteps` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Denoising timestep schedule-এর ওভাররাইড, sigmas-এর সঙ্গে পারস্পরিকভাবে একচেটিয়া। ওভাররাইড না থাকলে—ডিফল্ট অবস্থায়—scheduler num_inference_steps থেকে timesteps গণনা করে; কাস্টম schedule দিলে num_inference_steps অপ্রাসঙ্গিক হয়ে যায়। ওভাররাইডের জন্য set_timesteps-এ timesteps argument সমর্থনকারী scheduler প্রয়োজন। | | `timesteps.method` | | enum (string) | no | `default` | `default`, `array` | Timesteps কীভাবে নির্ধারিত হবে তা বেছে নিন: 'default', ডিফল্ট সেটিং, scheduler-কে `num_inference_steps` ব্যবহার করতে দেয়। নিজে timestep schedule দিতে 'array' নির্বাচন করুন এবং schedule-টি `array` ফিল্ডে রাখুন। | | `timesteps.array` | | array of integer | no | `[]` | | নির্বাচিত পদ্ধতি 'custom' হলে প্রয়োগ করা timestep schedule। | | `sigmas` | | object {method, array} | no | `{"array":[],"method":"default"}` | | Denoising sigma schedule-এর ওভাররাইড, timesteps-এর সঙ্গে পারস্পরিকভাবে একচেটিয়া। ওভাররাইড না থাকলে—ডিফল্ট অবস্থায়—scheduler num_inference_steps থেকে sigmas গণনা করে; কাস্টম schedule দিলে num_inference_steps অপ্রাসঙ্গিক হয়ে যায়। ওভাররাইডের জন্য set_sigmas-এ sigmas argument সমর্থনকারী scheduler প্রয়োজন। | | `sigmas.method` | | enum (string) | no | `default` | `default`, `array` | Sigmas কীভাবে নির্ধারিত হবে তা বেছে নিন: 'default', ডিফল্ট সেটিং, scheduler-এর নিজস্ব sigma মান ব্যবহার করে। নিজে sigma schedule দিতে 'custom' নির্বাচন করুন এবং schedule-টি `array` ফিল্ডে রাখুন। | | `sigmas.array` | | array of number | no | `[]` | | নির্বাচিত পদ্ধতি 'custom' হলে প্রয়োগ করা sigma schedule। | | `prediction_type` | | enum (string) | no | `epsilon` | `v_prediction`, `epsilon` | ছবি জেনারেশনের জন্য prediction type বেছে নিন; ভিন্ন কিছু নির্বাচন না করলে `epsilon` ব্যবহার করা হয়। | | `rescale_betas_snr_zero` | | boolean | no | `false` | | Sampler rescale_betas_snr_zero সক্রিয় করবে কি না তা নিয়ন্ত্রণ করে। | | `image_format` | | enum (string) | no | `png` | `jpeg`, `png` | ফলাফল ছবির ফাইল ফরম্যাট। | | `num_images` | `num_outputs` | integer | no | `1` | 1 – 8 | একটি রিকোয়েস্টে কতগুলো ছবি তৈরি হবে তা নির্ধারণ করুন; বড় batch-এর জন্য বেশি জেনারেশন সময় দেওয়া যায়। | | `enable_safety_checker` | | boolean | no | `false` | | নিরাপত্তা পরীক্ষক সক্রিয়করণ; true পরীক্ষা সক্ষম করে। | | `tile_width` | | integer | no | `4096` | 128 – 4,096 | ছবি জেনারেশনের সময় প্রতিটি tile কত বড় হবে তা নির্ধারণ করুন। | | `tile_height` | | integer | no | `4096` | 128 – 4,096 | ছবি জেনারেশনের সময় প্রতিটি tile কত বড় হবে তা নির্ধারণ করুন। | | `tile_stride_width` | | integer | no | `2048` | 64 – 2,048 | ছবি জেনারেশনের সময় পরপর tile অবস্থানগুলোর মধ্যকার ফাঁক নির্ধারণ করুন। | | `tile_stride_height` | | integer | no | `2048` | 64 – 2,048 | ছবি জেনারেশনের সময় পরপর tile অবস্থানগুলোর মধ্যকার ফাঁক নির্ধারণ করুন। | | `eta` | | number | no | `0` | 0 – 1 | ছবি জেনারেশনের সময় ব্যবহৃত Eta সেটিং। | | `debug_latents` | | boolean | no | `false` | | true হলে ডিবাগিংয়ের জন্য latents সংরক্ষণ করে। | | `debug_per_pass_latents` | | boolean | no | `false` | | এটি true সেট করে প্রতিটি pass-এর ডিবাগিং সক্রিয় করুন; এতে প্রতিটি pass-এর latents সংরক্ষিত হয়। | File parameters (`image`, `mask`, `ic_light_model_background_image_url`, `ic_light_image_url`) take a public `https://` URL, a `data:` URI up to 10 MB, or the `file_url` of an upload from `POST /files`. ## Example input Required parameters only: ```json { "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" } ``` A fuller example: ```json { "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" } ``` ## Run it Set `DOITONG_API_KEY` to a key from https://doitong.com/developers/dashboard#keys. `?wait=20` returns the finished request in the same call when it is ready within 20 seconds; otherwise poll `GET /requests/{id}` (it also accepts `?wait=`), or pass `webhook_url`. ### curl ```bash # Run the model; wait up to 20 s for the finished result in the same call curl -X POST "https://api.doitong.com/v1/run/lora/inpaint?wait=20" \ -H "Authorization: Bearer $DOITONG_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" }' # Still "queued" or "running"? Poll with the id from the response: curl "https://api.doitong.com/v1/requests/REQUEST_ID?wait=20" \ -H "Authorization: Bearer $DOITONG_API_KEY" ``` ### JavaScript ```javascript const API = "https://api.doitong.com/v1"; const headers = { "Authorization": "Bearer " + process.env.DOITONG_API_KEY, "Content-Type": "application/json", }; // Run the model; wait up to 20 s for the finished result in the same call let res = await fetch(API + "/run/lora/inpaint?wait=20", { method: "POST", headers, body: JSON.stringify({ "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" }), }); let request = await res.json(); if (!res.ok) throw new Error(request.error.code + ": " + request.error.message); // Not finished yet: long-poll until it is while (request.status === "queued" || request.status === "running") { res = await fetch(API + "/requests/" + request.id + "?wait=20", { headers }); request = await res.json(); } if (request.status !== "succeeded") throw new Error(JSON.stringify(request.error)); console.log(request.outputs.map((o) => o.url), request.cost.credits + " API credits ($" + request.cost.usd + ")"); ``` ### Python ```python import os import requests API = "https://api.doitong.com/v1" headers = {"Authorization": "Bearer " + os.environ["DOITONG_API_KEY"]} payload = { "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field", } # Run the model; wait up to 20 s for the finished result in the same call r = requests.post(API + "/run/lora/inpaint", params={"wait": 20}, json=payload, headers=headers) request = r.json() if not r.ok: raise RuntimeError(request["error"]["code"] + ": " + request["error"]["message"]) # Not finished yet: long-poll until it is while request["status"] in ("queued", "running"): request = requests.get(API + "/requests/" + request["id"], params={"wait": 20}, headers=headers).json() if request["status"] != "succeeded": raise RuntimeError(request["error"]) print([o["url"] for o in request["outputs"]], request["cost"]["credits"], "API credits", "$" + request["cost"]["usd"]) ``` ### MCP The MCP server at `https://api.doitong.com/v1/mcp` exposes the tools `search_models`, `get_model`, `quote`, `run`, `get_request`, `cancel_request`, `list_requests`, `create_upload` and `get_account`. A `run` call for this model: ```json { "jsonrpc": "2.0", "id": 1, "method": "tools/call", "params": { "name": "run", "arguments": { "model_id": "lora/inpaint", "input": { "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" }, "wait_seconds": 20 } } } ``` ## Response Every call returns a request object. `status` is one of `queued`, `running`, `succeeded`, `failed`, `canceled`. `outputs` lists the generated files with URLs on our storage (kept forever, or 7 days with `?storage=temporary`; `storage` says which); `output` is the model's own result object with the same URLs. ```json { "id": "req_8k2m4q7x1z9c3v5b6n0p2r4t", "object": "request", "model": "lora/inpaint", "status": "succeeded", "created_at": "2026-10-20T12:00:00Z", "started_at": "2026-10-20T12:00:02Z", "completed_at": "2026-10-20T12:00:09Z", "queue_position": null, "cost": { "credits": 184, "usd": "0.184", "charged": 184, "refunded": 0 }, "input": { "model_name": "stabilityai/stable-diffusion-xl-base-1.0", "prompt": "A red fox trots through fresh snow at sunrise, soft golden light, shallow depth of field" }, "output": { "images": [ { "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg", "content_type": "image/jpeg", "file_name": "0-output.jpeg", "file_size": 1843200, "width": 1024, "height": 768 } ], "seed": 42, "has_nsfw_concepts": [ false ], "debug_latents": { "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg", "content_type": "image/jpeg", "file_name": "0-output.jpeg", "file_size": 1843200 }, "debug_per_pass_latents": { "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg", "content_type": "image/jpeg", "file_name": "0-output.jpeg", "file_size": 1843200 } }, "outputs": [ { "type": "image", "url": "https://content.doitong.com/dev-api/2026/10/20/req_8k2m4q7x1z9c3v5b6n0p2r4t/0-output.jpeg", "content_type": "image/jpeg", "file_size": 1843200, "width": 1024, "height": 768, "stored": true } ], "error": null, "metrics": { "inference_seconds": 6.8 }, "urls": { "self": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t", "cancel": "https://api.doitong.com/v1/requests/req_8k2m4q7x1z9c3v5b6n0p2r4t/cancel" } } ``` ### Output fields (`output`) | Field | Type | Description | |---|---|---| | `images` | array of object {url, content_type, file_name, file_size, width, height} | জেনারেট করা ছবিগুলোর ফাইল তথ্য। | | `seed` | integer | ছবি-জেনারেশনের সিড, যার মধ্যে ইনপুটে সিড না থাকলে এলোমেলোভাবে নির্বাচিত মানটিও অন্তর্ভুক্ত; অন্যথায় প্রদত্ত মানটি পুনরাবৃত্তি করে। | | `has_nsfw_concepts` | array of boolean | জেনারেট করা ছবিতে NSFW ধারণা রয়েছে কি না নির্দেশ করে। | | `debug_latents` | object {url, content_type, file_name, file_size} \| null | ডিবাগিংয়ের জন্য সংরক্ষিত latent ডেটা। | | `debug_per_pass_latents` | object {url, content_type, file_name, file_size} \| null | ডিবাগিংয়ের জন্য সংরক্ষিত প্রতিটি pass-এর latent ডেটা। | ## Related models - [Stable Diffusion with LoRAs](https://doitong.com/developers/models/lora.md) (`lora`): $0.057 / image - [Stable Diffusion with LoRAs · Image to Image](https://doitong.com/developers/models/lora/image-to-image.md) (`lora/image-to-image`): $0.264 / image - [FLUX.1 Kontext \[pro\]](https://doitong.com/developers/models/flux-pro/kontext.md) (`flux-pro/kontext`): $0.04 / image - [GPT Image 2.5 Edit](https://doitong.com/developers/models/openai/gpt-image-2.5/flare/edit.md) (`openai/gpt-image-2.5/flare/edit`): from $0.12 / image - [Nano Banana 2 Edit](https://doitong.com/developers/models/nano-banana-2/edit.md) (`nano-banana-2/edit`): from $0.06 / image - [Nano Banana Pro Edit](https://doitong.com/developers/models/nano-banana-pro/edit.md) (`nano-banana-pro/edit`): from $0.15 / image - [Qwen Image 3 Edit](https://doitong.com/developers/models/alibaba/qwen-image-3/edit.md) (`alibaba/qwen-image-3/edit`): from $0.04 / image - [Seedream 5.0 Pro Edit](https://doitong.com/developers/models/bytedance/seedream/v5/pro/edit.md) (`bytedance/seedream/v5/pro/edit`): from $0.0675 / run of output image ## Links - HTML page: https://doitong.com/developers/models/lora/inpaint - All models and guides for AI agents: https://doitong.com/developers/llms.txt - OpenAPI 3.1 with this model's typed request body: https://doitong.com/developers/openapi.json?model=lora/inpaint - Errors: https://doitong.com/developers/docs/errors - Model details as JSON: https://api.doitong.com/v1/models/lora/inpaint