DiT：Transformers 与扩散模型强强联手

出品人：Towhee 技术团队 王翔宇、顾梦佳

扩散模型在图像生成领域有着难以撼动的地位，而其通常都选择了卷积 U-Net作为主干模型。那么在其他领域大杀四方的 Transformers 在扩散模型中是否还有用武之地呢？基于这一想法，DiT（Diffusion Transformer） 利用 transformer 结构探索了一种新的扩散模型。它不仅继承了 Transformer 模型类的优秀扩展特性，性能还优于先前使用 U-Net 的模型。研究表明，扩散模型可以成功地用 transformer 替换 U-Net 主干。另外，它还证明了网络复杂性与样本质量之间存在很强的相关性。通过简单地扩展 DiT 并训练具有高容量主干的潜在扩散模型，DiT 模型可以在类条件 256 × 256 ImageNet 生成基准上实现 FID 2.27 的最新结果。

The Diffusion Transformer (DiT) architecture.

DiT 首先将空间表示输入通过第一层网络，将每个 patch 线性嵌入到输入中，以此将空间输入转换为一个数个 token 序列。然后，模型会将标准的基于 ViT 频率的位置嵌入应用于所有输入 token。接着，输入 token 由一系列 transformer 块处理。除了噪声图像输入之外，扩散模型有时还会处理额外的条件信息，例如噪声时间步长、类标签、自然语言等。DiT 探索了四种transformer 块变体，分别以不同方式处理条件输入 。

相关资料：
代码地址：https://github.com/facebookre...
论文链接：https://arxiv.org/abs/2212.09748
更多资料：https://zhuanlan.zhihu.com/p/...