本文将从DiT的本质、DiT的原理、DiT的应用三个方面，带您一文搞懂 Diffusion  Transformer｜D iT 。

Diffusion Transformer（DiT）

一、D iT 的本质

DiT的定义：Diffusion Transformer是一种结合了Transformer架构的扩散模型，用于图像和视频生成任务，能够高效地捕获数据中的依赖关系并生成高质量的结果。

Diffusion Transformer（DiT）

扩散模型的定义：Diffusion Models是一种新型的、先进的生成模型，用于生成与训练数据相似的数据，可以生成各种高分辨率图像。

扩散模型的定义

扩散模型的核心思想：Diffusion Models是一种受到非平衡热力学启发的生成模型，其核心思想是通过模拟扩散过程来逐步添加噪声到数据中，并随后学习反转这个过程以从噪声中构建出所需的数据样本。

扩散过程

详细了解扩散模型Diffusion Models：神经网络算法 – 一文搞懂扩散模型Diffusion Models

DiT的本质：Diffusion Transformer是一种新型的扩散模型，结合了去噪扩散概率模型(DDPM)和Transformer架构。

去噪扩散概率模型(DDPM)

DiT的核心思想：Diffusion Transformer的核心思想是使用Transformer作为扩散模型的骨干网络，而不是传统的卷积神经网络(如U-Net)，以处理图像的潜在表示。

DiT的核心思想

二、D iT 的原理

DiT的架构：DiT架构基于Latent Diffusion Model（LDM）框架，采用Vision Transformer（ViT）作为主干网络，并通过调整ViT的归一化来构建可扩展的扩散模型。如下图所示：

DiT 的架构

DiT的核心组件：DiT有三种变种形式，分别与In-Context Conditioning、Cross-Attention、adaLN-Zero相组合。

ViT的核心组件

对应Diffusion Transformer模型架构图中由右到左的顺序：

1. 上下文条件（In-context conditioning）：这是模型处理输入数据的一种方式，允许模型根据给定的上下文信息生成输出。

2. 交叉注意力块（Cross-Attention）：该模块允许模型在生成过程中关注输入数据中的特定部分，从而提高生成的准确性。

3. 自适应层归一化块（Adaptive Layer Normalization, AdaLN）：这是一个归一化技术，有助于加速模型的训练并提高性能。

DiT的三种变形形式

DiT的工作流程：通过引入噪声并训练神经网络来逆转噪声增加的过程，结合Transformer模型，实现图像或视频的生成与变换。这个过程涉及数据预处理、噪声引入、模型训练以及最终的图像或视频生成。

1. 数据预处理：将输入的图像或视频数据转换为模型可以处理的格式，如将图像切分成固定大小的patches（小块），然后将这些patches转换为特征向量。
2. 噪声引入：在数据预处理后的特征向量上逐步引入噪声，形成一个噪声增加的扩散过程。这个过程可以视为从原始数据到噪声数据的转换。
3. 模型训练：使用引入了噪声的特征向量作为输入，训练Diffusion Transformer模型。模型的目标是学习如何逆转噪声增加的过程，即从噪声数据恢复出原始数据。
4. 图像或视频生成：在模型训练完成后，可以通过输入噪声数据（或随机生成的噪声）到模型中，经过模型的处理后生成新的图像或视频。这个生成过程利用了模型学习到的从噪声到原始数据的映射关系。

DiT的工作流程

三、D iT 的应用