SelanjutnyaPanduan berikutnya
Jaringan Transformator Spasial
AI visual
PANDUAN AI Visual
Transformator Difusi
Diffusion Transformers (DiTs) menukar U-Net konvolusional di jantung generator gambar dan video dengan tulang punggung Transformer.
Dengarkan panduan iniDiceritakan oleh AI · ~2 min
Di halaman ini2 menit membaca
Ikhtisar
Arsitektur ini mendukung sistem terkemuka seperti Stable Diffusion 3 dan Sora dari OpenAI, dan skalanya sangat baik saat Anda menambahkan komputasi.
Menyelam Lebih Dalam
Model difusi menghasilkan gambar dengan memulai dari noise murni dan secara iteratif menghilangkan noise tersebut menjadi gambar yang koheren. Selama bertahun-tahun, jaringan yang melakukan denoising tersebut adalah U-Net, sebuah arsitektur konvolusional. Diffusion Transformer, diperkenalkan oleh Peebles dan Xie pada tahun 2022, menggantikan U-Net dengan Transformer. Gambar pertama-tama dikompresi menjadi ruang laten, dipecah menjadi beberapa bagian kecil, dan setiap bagian menjadi token, seperti kata-kata dalam model bahasa. Transformer kemudian memproses token ini dengan perhatian mandiri pada setiap langkah denoising. Temuan utamanya adalah bahwa kinerja DiT dapat diprediksi meningkat seiring Anda meningkatkan ukuran model dan mengurangi ukuran patch, dengan mengikuti undang-undang penskalaan yang bersih. Skalabilitas inilah yang menjadi alasan mengapa sistem teks-ke-video dan teks-ke-gambar kelas atas sebagian besar bermigrasi ke tulang punggung Transformer.
Implementasi Dunia Nyata
Sora OpenAI menggunakan tulang punggung Transformer melalui patch ruangwaktu untuk menghasilkan video berdurasi satu menit dengan fidelitas tinggi dari perintah teks.
Difusi Stabil 3 mengadopsi Transformator Difusi multimodal (MMDiT) untuk menyelaraskan gambar yang dihasilkan dengan deskripsi teks yang lebih detail.
Para peneliti menskalakan DiT ke miliaran parameter dan mengamati peningkatan kualitas gambar yang dapat diprediksi, sehingga memandu keputusan anggaran komputasi.
Sebuah studio menggunakan model berbasis DiT untuk memperluas klip pendek, memperlakukan frame video tambahan sebagai token patch tambahan untuk menghilangkan noise.
Masa Depan Transformator Difusi
Diffusion Transformers menjadi tulang punggung default untuk media generatif. Desain berbasis token menjadikannya alami untuk menyatukan gambar, video, dan bahkan generasi multimoda dalam satu arsitektur yang dapat diskalakan. Penelitian mendorong video yang lebih panjang, resolusi lebih tinggi, dan perhatian yang lebih efisien untuk menjinakkan biaya kuadratik dari banyak token. Harapkan konvergensi antara model bahasa dan visi, di mana resep dan infrastruktur penskalaan Transformer serupa dapat melayani keduanya, sehingga mempercepat kemajuan dalam model dunia dan video interaktif.
Mempraktikkannya
Mengapa itu penting
- Kecepatan dan skala. Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
- Pilihan Build. Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
- Tim dan alur kerja. Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
Hati-hati
- Hak citra dan persetujuan dapat menjadi risiko hukum jika asal usulnya tidak jelas.
- Performa model dapat bervariasi berdasarkan pencahayaan, demografi, dan lingkungan.
- Positif palsu mungkin tidak diketahui kecuali ambang batas keyakinan dipantau.
Langkah selanjutnya
- Tentukan kriteria penerimaan untuk biaya presisi, penarikan kembali, dan kesalahan.
- Uji dengan data yang sesuai dengan kondisi produksi sebenarnya.
- Tambahkan tinjauan manusia untuk prediksi dengan tingkat keyakinan rendah atau dampak tinggi.
- Lacak penyimpangan model dan validasi ulang setelah kamera atau kumpulan data berubah.
Terus Menjelajah
Buletin gratis
Dapatkan pengarahan AI harian
Tiga cerita AI terverifikasi setiap pagi hari kerja, ditulis dalam bahasa Inggris sederhana. Gratis selamanya, tanpa iklan.
Satu email setiap hari kerja. Berhenti berlangganan dalam satu klik. Kami tidak pernah menjual atau membagikan alamat Anda.
Uji diri Anda sendiri
Take the Diffusion Transformers quiz
Umpan balik instan untuk setiap jawaban, dan sertifikat yang dapat dibagikan dengan ID yang dapat diverifikasi setelah Anda lulus kursus.
Mendukung pendidikan AI gratis. AI Understanding adalah organisasi nirlaba 501(c)(3) — tanpa iklan, tanpa paywall, selamanya. Berikan sumbangan
Pertanyaan yang sering diajukan
Apa itu Transformator Difusi?
Diffusion Transformers (DiTs) menukar U-Net konvolusional di jantung generator gambar dan video dengan tulang punggung Transformer. Arsitektur ini mendukung sistem terkemuka seperti Stable Diffusion 3 dan Sora milik OpenAI, dan skalanya sangat baik saat Anda menambahkan komputasi.
Komponen apa yang digantikan oleh Transformator Difusi dibandingkan dengan model difusi tradisional?
DiT menggantikan U-Net, jaringan konvolusional yang melakukan denoising, dengan tulang punggung Transformer.
Bagaimana DiT mengubah gambar menjadi sesuatu yang dapat diproses oleh Transformer?
Gambar laten dibagi menjadi beberapa bagian kecil, dan setiap bagian menjadi sebuah token, yang dianalogikan dengan kata-kata dalam model bahasa.
Apa yang ditemukan oleh makalah DiT asli tentang penskalaan?
Kualitas DiT meningkat dengan cara yang bersih dan dapat diprediksi seiring Anda meningkatkan komputasi model dan menggunakan patch yang lebih kecil, mengikuti hukum penskalaan.
Bagaimana DiT biasanya memasukkan pengondisian seperti petunjuk waktu dan teks?
DiT menggunakan normalisasi lapisan adaptif untuk memprediksi parameter skala dan pergeseran untuk lapisan normalisasi dari sinyal pengkondisian.
Apa yang dicapai oleh inisialisasi 'adaLN-zero'?
adaLN-zero menginisialisasi modulasi sehingga setiap blok pada awalnya bertindak sebagai identitas, yang menstabilkan dan meningkatkan pelatihan.
Teruslah belajar
Panduan terkait
Panduan lainnya dipilih untuk topik ini