Transformator Difusi
Diffusion Transformers (DiTs) menukar U-Net konvolusional di jantung generator gambar dan video dengan tulang punggung Transformer.
Ikhtisar
This architecture powers leading systems like Stable Diffusion 3 and OpenAI's Sora, and it scales remarkably well as you add compute.
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.
Wawasan Teknis
Inovasi inti adalah bagaimana DiT memasukkan pengondisian seperti langkah waktu dan perintah teks. Daripada penggabungan sederhana, mereka menggunakan normalisasi lapisan adaptif (adaLN), di mana jaringan memprediksi parameter skala dan pergeseran untuk lapisan normalisasi dari sinyal pengkondisian. Varian adaLN-zero menginisialisasi ini sehingga setiap blok dimulai sebagai fungsi identitas, yang menstabilkan pelatihan. Tambalan diratakan menjadi token, diproses oleh blok Transformer standar dengan perhatian mandiri, kemudian dipasang kembali dan didekodekan kembali menjadi piksel.
Dampak Strategis
Kecepatan dan skala
Visual AI dapat mengotomatiskan tugas inspeksi, deteksi, dan penandaan dalam skala besar.
Build choices
Tim kreatif dapat membuat prototipe konsep lebih cepat dengan lebih sedikit revisi manual.
Team and workflow
Pengoperasiannya dapat menggunakan sinyal gambar dan video yang sebelumnya sulit diproses.
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.
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.
Risiko & Pagar Pembatas
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.
Peta Jalan Implementasi
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
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Diffusion Transformers quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Jaringan Transformator Spasial
Pertanyaan yang sering diajukan
What is Diffusion Transformers?
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.