大模型 | 基于Transformer架构的扩散模型

最新推荐文章于 2025-04-08 16:07:57 发布

大模型微调部署

最新推荐文章于 2025-04-08 16:07:57 发布

阅读量1.6k

点赞数 8

文章标签： transformer 架构深度学习人工智能 AI大模型大模型 ai

本文链接：https://blog.csdn.net/star_nwe/article/details/144286304

版权

Scalable Diffusion Models with Transformers

本文介绍一篇发表于2023年国际计算机视觉大会（ICCV）的研究论文，该论文提出了一种基于Transformer架构的扩散模型，称为Diffusion Transformers (DiTs)。通过用Transformer替代传统的U-Net架构，训练了一种作用于潜在图像块的扩散模型。 DiTs在大规模图像生成任务中展现出卓越的性能，成功实现了在ImageNet 256x256和512x512图像生成任务中的性能突破，表明了Transformer在扩散模型中的巨大潜力。

原文：W. Peebles and S. Xie, “Scalable Diffusion Models with Transformers,” 2023 IEEE/CVF International Conference on Computer Vision (ICCV), Paris, France, 2023, pp. 4172-4182, doi: 10.1109/ICCV51070.2023.00387.

Introduction

近年来，基于大规模数据集的深度学习模型训练显著推动了图像生成和处理领域的发展。特别是Transformer架构，凭借其在自然语言处理和高层次视觉任务中的成功，被迅速应用于生成模型领域。然而，现有扩散模型通常采用U-Net作为主干网络，对生成质量和扩展性存在一定限制。

本篇论文提出了一种基于Transformer的新型扩散模型，称为Diffusion Transformers (DiTs)，旨在突破传统方法的瓶颈。该模型通过用Transformer替代U-Net，在潜在图像空间中直接建模，实现了以下创新与突破：

卓越的生成质量：在ImageNet 256×256类别条件生成基准测试中，最优模型DiT-XL/2取得了当前最优的Fréchet Inception Distance (FID)值2.27；
良好的扩展性：研究表明，通过增加Transformer深度/宽度或输入Token数量，模型的生成质量随着Gflops（前向计算复杂度）的提升而显著提高;
高效的计算性能：相比传统U-Net架构扩散模型，DiTs在计算成本更低的情况下达到了更优质的图像生成效果。

本论文的研究不仅验证了Transformer架构在低层次图像生成任务中的潜力，还为未来在大规模生成模型（如文本到图像生成）的应用提供了新的设计思路。

Diffusion Transformers

DiT架构总览

DiT整体架构

图中展示了**Diffusion Transformer (DiT)**的整体设计架构及其核心模块。

左侧部分：展示了完整的潜变量扩散模型（Latent Diffusion Transformer）流程，输入的潜变量首先通过patchify模块切分为小块，并转换为Token序列，随后通过多个DiT块进行处理，最终通过线性解码器恢复出噪声预测结果。
右侧部分：详细展示了不同类型的DiT块，包括自适应层归一化（adaLN-Zero）、交叉注意力（Cross-Attention）、以及上下文条件输入（In-Context Conditioning）三种变种的内部结构。

1.从输入到Token化：Patchify 模块

输入

Diffusion Transformer (DiT) 的输入是一组多通道潜变量特征图（Noised Latent），通常大小为 32×32×4。这些潜变量由前一时间步的噪声预测生成。在进入Transformer模型之前，潜变量需要经过Patchify模块的处理。

Patchify 模块的核心在于将图像或特征分割成小块（Patch），类似将一幅画分割成小块拼图。每个Patch大小由参数 p 决定，例如8×8或16×16。随后，这些Patch通过线性变换（Embed）被转化为一维Token序列，供Transformer进一步处理。

此外，时间步信息（Timestep ttt）和类别标签（Class Label ccc）作为条件信息，通过嵌入操作转化为向量Token，并直接拼接到输入Token序列中，为模型提供额外的上下文信息。

通过这种方式，Patchify 实现了从图像空间到序列空间的高效转换，为后续的Transformer建模奠定了基础。

2.DiT模块设计：条件信息的高效建模

在Diffusion Transformer中，DiT模块承担了条件信息融合和序列建模的核心任务。为了实现更灵活、更高效的条件建模，论文提出了四种模块设计：

上下文条件模块（In-context Conditioning）这一设计最为直接，将条件信息（时间步 ttt 和类别标签 ccc）的向量嵌入作为额外的Token拼接到输入序列中，并与图像Token一并通过标准Transformer块处理。在最终输出前，这些条件Token会被移除。这种方法计算开销最低，但对复杂条件信息的表达能力相对有限。
交叉注意力模块（Cross-attention Block）在这一设计中，条件信息被编码为独立的Token序列，与图像Token序列分离。Transformer块在多头自注意力（Multi-head Self-Attention）层后加入了一个多头交叉注意力层（Cross-attention），用于深度融合条件信息和主序列特征。尽管这种设计显著增强了条件信息的建模能力，但它也增加了约15%的计算复杂度。
自适应层归一化模块（adaLN Block） adaLN模块通过自适应层归一化动态调整每个维度的缩放和偏移参数 γ\gammaγ 和 β\betaβ，这些参数由条件信息向量的和回归而来。该模块在不增加太多计算开销的情况下，显著提高了条件信息的利用效率，是生成质量最佳的选择。
零初始化自适应层归一化模块（adaLN-Zero Block）在adaLN的基础上，增加了零初始化策略：将残差连接之前的缩放参数初始化为零。这一改动使得每个残差块在初始阶段接近恒等映射，从而显著优化了训练的收敛速度。通过这四种设计，DiT模块能够在生成质量和计算效率之间实现灵活权衡，并适应不同的任务需求。

3.模型规模：探索性能与效率的极限

model size

DiT 的设计空间还涵盖了模型规模的调整。具体来说，模型通过调整Transformer块的数量 NNN、隐藏维度大小 ddd 和注意力头数，实现对性能和复杂度的控制。

论文中提供了四种模型配置：DiT-S（小型）、DiT-B（中型）、DiT-L（大型）和 DiT-XL（超大型）。这些配置的计算复杂度（FLOPs）范围从 0.3 Gflops 到 118.6 Gflops，覆盖了从轻量级任务到高分辨率生成的广泛需求。

实验表明，随着模型规模的扩大，生成质量显著提升，但计算开销也相应增加。

4. Transformer 解码器：从Token到清晰图像

在经过Transformer模块的处理后，Token序列需要还原为完整的图像。这一过程由线性解码器（Linear Decoder）完成。具体来说，解码器对每个Token应用线性变换，将其映射为大小为 p×p×2C的张量，其中 C 是输入图像的通道数。解码后的Token会被重新排列为原始的空间布局，从而生成噪声预测（Noise Prediction）和协方差预测（Covariance Prediction）。

在扩散过程中，模型逐步减少图像中的噪声，直到还原出高清图像。这一解码过程高度依赖于条件信息和Transformer模块的高质量建模，使得生成的每一帧都与输入条件信息保持一致。

Experiments

为了验证 Diffusion Transformer (DiT) 模型的性能和扩展性，论文设计了一系列实验，涵盖从不同模块设计到模型规模与计算效率的综合评估。以下是实验的详细分析与结果。

DiT模块设计性能对比

论文首先评估了四种不同的DiT模块设计（In-context Conditioning、Cross-attention、adaLN 和 adaLN-Zero）的性能。实验选择了最高复杂度的 DiT-XL/2 模型（118.6 Gflops）进行测试，并通过生成质量指标 FID-50K 随训练迭代的变化进行对比。

质量指标跟迭代次数关系

实验结果表明：

adaLN-Zero 模块的表现最佳，其生成质量显著优于其他设计。在400K训练步数时，adaLN-Zero的FID值几乎是In-context Conditioning的一半。
Cross-attention 虽然增强了条件信息融合能力，但计算复杂度增加了15%。
In-context Conditioning 是最轻量级的设计，但对复杂条件的表达能力有限。

这些结果进一步证明了条件输入机制对生成质量的关键作用，而 adaLN-Zero 模块由于其高效的初始化策略（残差块初始为恒等映射）成为性能最佳的选择。