概述
Diffusion Transformers (DiTs) 將影像和視訊產生器核心的捲積 U-Net 替換為 Transformer 主幹。該架構為 Stable Diffusion 3 和 OpenAI 的 Sora 等領先系統提供支持，隨著計算量的增加，它的擴展性非常好。
Diffusion Transformers 屬於電腦視覺工作流程，可解釋或產生用於分析、操作和創造力的視覺媒體。
深入探討
擴散模型透過從純雜訊開始並迭代地將其去雜訊成連貫的圖片來產生影像。多年來，進行去噪的網路一直是 U-Net，一種卷積架構。 Peebles 和 Xie 在 2022 年推出的 Diffusion Transformer 用 Transformer 取代了 U-Net。圖像首先被壓縮到潛在空間中，分成小塊，每個塊變成一個標記，就像語言模型中的單字一樣。然後，Transformer 在每個去雜訊步驟中透過自註意力處理這些標記。一個重要的發現是，當您遵循乾淨的縮放法則增加模型大小並減少補丁大小時，DiT 效能可預測地提高。這種可擴展性就是文字到視訊和高端文字到圖像系統大部分遷移到 Transformer 主幹的原因。
技術洞察
核心創新是 DiT 如何注入時間步長和文字提示等條件。他們使用自適應層歸一化 (adaLN)，而不是簡單的串聯，其中網路根據調節訊號預測歸一化層的尺度和移位參數。 adaLN-zero 變體初始化這些，因此每個區塊都作為恆等函數啟動，從而穩定訓練。補丁被展平為令牌，由具有自註意力的標準 Transformer 區塊進行處理，然後重新組裝並解碼回像素。
掌握擴散變壓器
Diffusion Transformers (DiTs) 將影像和視訊產生器核心的捲積 U-Net 替換為 Transformer 主幹。該架構為 Stable Diffusion 3 和 OpenAI 的 Sora 等領先系統提供支持，隨著計算量的增加，它的擴展性非常好。 Diffusion Transformers 屬於電腦視覺工作流程，可解釋或產生用於分析、操作和創造力的視覺媒體。為了建立深入的理解，請將擴散變壓器視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用 Diffusion Transformer 的強大團隊會平衡準確性與數據品質、照明差異和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
OpenAI 的 Sora 使用時空補丁上的 Transformer 主幹，根據文字提示產生一分鐘長的高保真影片。
Stable Diffusion 3 採用多模態 Diffusion Transformer (MMDiT) 來更好地將生成的圖像與詳細的文字描述對齊。
研究人員將 DiT 擴展到數十億個參數，並觀察到影像品質可預測地改善，從而指導計算預算決策。
工作室使用基於 DiT 的模型來擴展短片，將額外的視訊幀視為附加的補丁標記來降噪。
實施模式
擴散變壓器的實際應用
OpenAI 的 Sora 使用時空補丁上的 Transformer 主幹，根據文字提示產生一分鐘長的高保真影片。
OpenAI 的 Sora 使用時空補丁上的 Transformer 主幹，根據文字提示產生一分鐘長的高保真影片。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
擴散變壓器的實際應用
Stable Diffusion 3 採用多模態 Diffusion Transformer (MMDiT) 來更好地將生成的圖像與詳細的文字描述對齊。
Stable Diffusion 3 採用多模態 Diffusion Transformer (MMDiT) 來更好地將生成的圖像與詳細的文字描述對齊。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
擴散變壓器的實際應用
研究人員將 DiT 擴展到數十億個參數，並觀察到影像品質可預測地改善，從而指導計算預算決策。
研究人員將 DiT 擴展到數十億個參數，並觀察影像品質可預測地提高，從而指導計算預算決策。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
擴散變壓器的實際應用
工作室使用基於 DiT 的模型來擴展短片，將額外的視訊幀視為附加的補丁標記來降噪。
工作室使用基於 DiT 的模型來擴展短片，將額外的視訊幀視為額外的補丁令牌來降噪。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。