⚠️ 在开始阅读之前，如果你对 实时 Agent / 数字人 / 多模态系统 / LiveKit 架构 感兴趣，
欢迎先到 GitHub 给项目点一个 ⭐ Star，这是对开源作者最大的支持。

🚀 AlphaAvatar 项目地址（强烈建议先收藏，该项目正在持续更新维护）：
👉 https://github.com/AlphaAvatar/AlphaAvatar
🚀 AIPapers 项目地址（具有更全的有关LLM/Agent/Speech/Visual/Omni论文分类）：
👉 https://github.com/AlphaAvatar/AIPaperNotes

摘要

我们探索了一种基于 Transformer 架构的新型扩散模型。我们训练图像的潜在扩散模型，用一个作用于潜在图像块的 Transformer 网络替换了常用的 U-Net 骨干网络。我们通过前向传播复杂度（以Gflops衡量）来分析扩散 Transformer（DiT）的可扩展性。我们发现，通过增加Transformer 的深度/宽度或增加输入标记的数量来提高 Gflops 的 DiT，其 FID 值始终更低。除了具有良好的可扩展性之外，我们最大的 DiT-XL/2 模型在 ImageNet 512×512 和 256×256 基准测试中均优于所有先前的扩散模型，并在后者上实现了 2.27 的FID值，达到了目前最先进的水平。

1.介绍

机器学习正经历着一场由 Transformer 驱动的复兴。过去五年，自然语言处理、视觉以及其他多个领域的神经网络架构已基本被 Transformer 所取代。然而，许多图像级生成模型仍然未能跟上这一趋势——尽管 Transformer 在自回归模型中得到了广泛应用，但在其他生成建模框架中却鲜有采用。例如，扩散模型一直是图像级生成模型领域最新进展的前沿；然而，它们都采用了卷积 U-Net 架构作为默认的主干网络。

Ho et al. [19] 的开创性工作首次引入了用于扩散模型的 U-Net 骨干网络。U-Net 最初在像素级自回归模型和条件生成对抗网络 (GAN) 中取得了成功，之后在 PixelCNN++ 的基础上进行了一些修改。该模型是卷积神经网络，主要由 ResNet 模块组成。与标准 U-Net 不同的是，U-Net 在较低分辨率下穿插了额外的空间自注意力模块，这些模块是 Transformer 模型的重要组成部分。Dhariwal and Nichol [9] 对 U-Net 的架构选择进行了改进，例如使用自适应归一化层来注入条件信息以及卷积层的通道数。然而， Ho et al. 提出的 U-Net 的高层设计基本保持不变。

本文旨在阐明扩散模型中架构选择的重要性，并为未来的生成建模研究提供实证基准。我们发现，U-Net 的归纳偏置对扩散模型的性能并非至关重要，可以很容易地被诸如 Transformer 之类的标准设计所替代。因此，扩散模型能够很好地受益于近期架构统一的趋势——例如，通过借鉴其他领域的最佳实践和训练方法，同时保留可扩展性、鲁棒性和效率等优良特性。标准化的架构也将为跨领域研究开辟新的可能性。

本文重点介绍一类基于 Transformer 的新型扩散模型，我们称之为 Diffusion Transformer（简称DiT）。DiT 遵循 Vision Transformer（ViTs）的最佳实践，ViTs 已被证明在视觉识别方面比传统卷积网络（例如ResNet）更具扩展性。

更具体地说，我们研究了 Transformer 模型在网络复杂度和样本质量方面的扩展性。我们证明，通过在潜在扩散模型（LDM）框架下构建和评估 DiT 设计空间（其中扩散模型在 VAE 的潜在空间中训练），我们可以成功地用 Transformer 模型替换 U-Net 骨干网络。我们进一步证明，DiT 是扩散模型的可扩展架构：网络复杂度（以Gflops衡量）与样本质量（以FID衡量）之间存在很强的相关性。通过简单地扩展 DiT 并使用高容量骨干网络（118.6 Gflops）训练 LDM，我们能够在类别条件 256×256 ImageNet 生成基准测试中取得 2.27 FID 的最新结果。

2.Related Work

Transformers。Transformer 已在语言、视觉、强化学习和元学习等领域取代了特定领域的架构。它们在模型规模、训练计算量和数据量不断增加的情况下，在语言领域、作为通用自回归模型以及作为 ViTs 时，都展现出了卓越的扩展性。除了语言领域，Transformer 还被训练用于自回归预测像素。它们也被训练用于离散码本，既可以作为自回归模型，也可以作为掩码生成模型；前者在高达 20B 个参数的情况下也展现出了优异的扩展性。最后，Transformer 还被用于 DDPM 中以合成非空间数据；例如，在 DALL·E 2 中生成 CLIP 图像嵌入。本文研究了 Transformer 作为图像扩散模型骨干时的扩展性。

Denoising diffusion probabilistic models (DDPMs)。扩散模型和基于分数的生成模型作为图像生成模型取得了显著成功，在许多情况下甚至超越了此前最先进的生成对抗网络（GAN）。过去两年中，DDPMs 的改进主要得益于采样技术的进步，其中最显著的是无分类器引导、将扩散模型重新构建为预测噪声而非像素以及使用级联 DDPM 流水线，其中低分辨率基础扩散模型与上采样器并行训练。对于上述所有扩散模型，卷积 U-Net 是事实上的主干架构首选。同期，文献[24]提出了一种基于注意力机制的新型高效 DDPM 架构；我们则探索了纯 Transformer 架构。

Architecture complexity。在评估图像生成文献中的架构复杂度时，使用参数数量是一种相当常见的做法。然而，参数数量通常不能很好地代表图像模型的复杂度，因为它没有考虑图像分辨率等因素，而图像分辨率会显著影响性能。因此，本文的大部分模型复杂度分析都基于理论浮点运算次数（Gflops）。这与架构设计文献中广泛使用 Gflops 来衡量复杂度的做法一致。实际上，最佳复杂度指标仍然存在争议，因为它通常取决于具体的应用场景。Nichol 和 Dhariwal 改进扩散模型的开创性工作与我们的研究最为相关——他们分析了 U-Net 架构类的可扩展性和 Gflop 特性。本文则重点关注 Transformer 架构类。

3.Diffusion Transformers

3.1 Preliminaries

Diffusion formulation。在介绍我们的架构之前，我们简要回顾一些理解扩散模型（DDPM）所需的基本概念。高斯扩散模型假设一个前向噪声过程，该过程逐渐将噪声施加到真实数据 $x_0：q(x_t|x_0)=\mathcal{N}(x_t;\sqrt{{\bar{\alpha }}_t}{x}_0,(1-{\bar{\alpha }}_t)\text{I})$，其中常数 ${\bar{\alpha }}_t$ 是超参数。通过应用重参数化技巧，我们可以对 $x_t=\sqrt{{\bar{\alpha }}_t}{x}_0+\sqrt{1-{\bar{\alpha }}_t}{ϵ}_t$ 进行采样，其中 ${ϵ}_t\sim \mathcal{N}(0,\text{I})$。

扩散模型经过训练，可以学习逆转正向过程偏差的逆向过程：$p_{\theta }(x_{t-1}|x_t)=\mathcal{N}({\mu }_{\theta }(x_t),{\Sigma }_{\theta }(x_t))$，其中神经网络用于预测 $p_{\theta }$ 的统计量。逆向过程模型使用 $x_0$ 的似然函数的变分下界进行训练，该下界简化为 $\mathcal{L}(\theta )=-p(x_0|x_1)+{\sum }_t{\mathcal{D}}_{KL}(q^{\ast }(x_{t-1}|x_t,x_0)||p_{\theta }(x_{t-1}|x_t))$，其中排除了一个与训练无关的附加项。由于 $q^{\ast }$ 和 $p_{\theta }$ 均为高斯分布，因此可以使用这两个分布的均值和协方差来评估 ${\mathcal{D}}_{KL}$。通过将 ${\mu }_{\theta }$ 重参数化为噪声预测网络 ${ϵ}_{\theta }$，可以使用预测噪声 ${ϵ}_{\theta }(x_t)$ 与真实采样高斯噪声 ${ϵ}_t$ 之间的简单均方误差来训练模型：${\mathcal{L}}_{simple}(\theta )=||{ϵ}_{\theta }(x_t)-{ϵ}_t|{|}_2^2$。但是，为了使用学习到的逆过程协方差 ${\Sigma }_{\theta }$ 来训练扩散模型，需要优化完整的 $D_{KL}$ 项。我们遵循 Nichol 和 Dhariwal 的方法：使用 ${\mathcal{L}}_{simple}$ 训练 ${ϵ}_{\theta }$，并使用完整的 $\mathcal{L}$ 训练 ${\Sigma }_{\theta }$。一旦 $p_{\theta }$ 训练完成，就可以通过初始化 $x_{t_{max}}\sim \mathcal{N}(0,I)$ 并通过重新参数化技巧对 $x_{t-1}\sim p_{\theta }(x_{t-1}|x_t)$ 进行采样来对新图像进行采样。

Classifier-free guidance。条件扩散模型将额外信息作为输入，例如类别标签 $c$。在这种情况下，逆过程变为 $p_{\theta }(x_{t-1}|x_t,c)$，其中 ${ϵ}_{\theta }$ 和 ${\Sigma }_{\theta }$ 以 $c$ 为条件。在此设置下，可以使用无分类器指导来鼓励采样过程找到 $x$，使得 $logp(c|x)$ 较高。根据贝叶斯规则，$logp(c|x)\propto logp(x|c)-logp(x)$，因此 ${\nabla }_{x}logp(c|x)\propto {\nabla }_{x}logp(x|c)-{\nabla }_{x}logp(x)$。通过将扩散模型的输出解释为得分函数，DDPM 采样过程可以通过以下方式指导采样具有高 $p(x|c)$ 值的 $x:\widehat{{ϵ}_{\theta }}(x_{t,c})={ϵ}_{\theta }(x_t,\varnothing )+s\cdot {\nabla }_{x}logp(x|c)\propto {ϵ}_{\theta }(x_t,\varnothing )+s\cdot ({ϵ}_{\theta }(x_t,c)-{ϵ}_{\theta }(x_t,\varnothing ))$，其中 $s>1$表示指导的尺度（注意 $s=1$ 恢复为标准条件采样）。评估 $c=\varnothing$ 时的扩散模型是通过在训练过程中随机丢弃 $c$ 并用学习到的“空”嵌入 $\varnothing$ 替换它来实现的。众所周知，无分类器指导可以比通用采样技术产生显著更好的样本，这一趋势也适用于我们的 DiT 模型。

Latent diffusion models。直接在高分辨率像素空间中训练扩散模型在计算上可能非常耗时。潜在扩散模型（LDM）采用两阶段方法解决这个问题：（1）学习一个自编码器，该自编码器使用学习到的编码器 $E$ 将图像压缩成更小的空间表示；（2）训练一个表示 $z=E(x)$ 的扩散模型，而不是图像 $x$ 的扩散模型（$E$ 被固定）。然后，可以通过从扩散模型中采样表示 $z$，并使用学习到的解码器 $x=D(z)$ 将其解码为图像来生成新图像。

如图 2 所示，LDM 模型在仅需像素空间扩散模型（如 ADM）一小部分 Gflops 计算量的情况下，即可实现良好的性能。由于我们关注的是计算效率，因此 LDM 模型是架构探索的理想起点。本文中，我们将 DiT 模型应用于潜在空间，尽管它们无需修改即可应用于像素空间。这使得我们的图像生成流程成为一种混合方法；我们使用了现成的卷积 VAE 和基于 Transformer 的 DDPM 模型。

3.2 Diffusion Transformer Design Space

我们引入了 Diffusion Transformers (DiTs)，一种用于扩散模型的新型架构。我们力求尽可能忠实于标准 transformer 架构，以保留其扩展特性。由于我们的重点是训练图像的 DDPMs（具体而言，是图像的空间表示），DiT 基于 Vision Transformer (ViT) 架构，后者处理图像块序列。DiT 保留了 ViT 的许多最佳实践。图 3 展示了完整的 DiT 架构概览。在本节中，我们将描述 DiT 的前向传播过程，以及 DiT 类设计空间的组成部分。

Patchify。DiT 的输入是空间表示 $z$（对于 256 × 256 × 3 的图像，$z$ 的形状为 32 × 32 × 4）。DiT 的第一层是“patchify”，它将空间输入转换为 $T$ 个 token 的序列，每个 token 的维度为 $d$，方法是将每个 patch 线性嵌入到输入中。patchify 之后，我们将标准的 ViT 基于频率的位置嵌入（正弦-余弦版本）应用于所有输入 token。patchify 生成的 token 数量 $T$ 由 patch 大小超参数 $p$ 决定。如图 4 所示，将 $p$ 减半将使 $T$ 变为原来的四倍，因此 Transformer 的总 Gflops 至少变为原来的四倍。虽然这会对 Gflops 产生显著影响，但请注意，改变 $p$ 对下游参数数量没有实质性影响。

我们将 $p=2,4,8$ 添加到 DiT 设计空间中。

DiT block design。在 patchify 之后，输入 token 由一系列 Transformer 模块进行处理。除了带噪声的图像输入外，扩散模型有时还会处理额外的条件信息，例如噪声时间步长 $t$、类别标签 $c$、自然语言等。我们探索了四种不同的 Transformer 模块变体，它们以不同的方式处理条件输入。这些设计对标准的 ViT 模块设计进行了细微但重要的修改。所有模块的设计如图 3 所示。

• In-context conditioning。我们简单地将 $t$ 和 $c$ 的向量嵌入作为两个额外的 token 添加到输入序列中，并像处理图像 token 一样处理它们。这类似于 ViT 中的 cls token，使我们能够直接使用标准的 ViT 模块而无需修改。在最后一个模块之后，我们从序列中移除条件 token。这种方法对模型的额外 Gflops 影响可以忽略不计。
• Cross-attention block。我们将 $t$ 和 $c$ 的嵌入向量连接成一个长度为 2 的序列，该序列与图像 token 序列分开。Transformer 模块经过修改，在多头自注意力模块之后增加了一个多头交叉注意力层，类似于 Vaswani et al. [60] 的原始设计，也类似于 LDM 用于基于类别标签进行条件化的层。交叉注意力为模型增加了最多的 Gflops，大约 15% 的开销。
• Adaptive layer norm (adaLN) block。鉴于自适应归一化层在生成对抗网络（GAN）和基于 U-Net 骨干网络的扩散模型中的广泛应用，我们探索了用自适应层归一化（adaLN）替换 Transformer 模块中的标准层归一化层。我们并非直接学习维度尺度和位移参数 $\gamma$ 和 $\beta$，而是通过回归 $t$ 和 $c$ 的嵌入向量之和来获得它们。在我们探索的三种模块设计中，adaLN增加的Gflops最少，因此计算效率最高。它也是唯一一种对所有 token 应用相同函数的条件化机制。
• adaLN-Zero block。先前关于残差网络（ResNet）的研究表明，将每个残差块初始化为恒等函数是有益的。例如，Goyal et al. 发现，在每个残差块中将最终批归一化尺度因子 $\gamma$ 初始化为零，可以加速监督学习环境下的大规模训练。扩散 U-Net 模型采用了类似的初始化策略，即在建立任何残差连接之前，将每个残差块中的最终卷积层初始化为零。我们探索了一种改进的 adaLN DiT 块，该改进也采用了相同的策略。除了回归 $\gamma$ 和 $\beta$ 之外，我们还回归了维度缩放参数 $\alpha$，这些参数在DiT块内的任何残差连接之前立即应用。我们将多层感知器（MLP）初始化为输出所有 $\alpha$ 的零向量；这使得整个 DiT 块初始化为恒等函数。与原始adaLN块一样，adaLNZero对模型的Gflops增加微乎其微。

我们在 DiT 设计空间中加入了上下文相关、交叉注意力、自适应层归一化和 adaLN-Zero 模块。

Model size。我们应用一系列 $N$ 个 DiT 模块，每个模块的隐藏维度大小为 $d$。遵循 ViT 的思路，我们使用标准的 Transformer 配置，这些配置可以联合扩展 N、d 和注意力头。具体来说，我们使用了四种配置：DiT-S、DiT-B、DiT-L 和 DiT-XL。它们涵盖了从 0.3 到 118.6 Gflops 的广泛模型规模和浮点运算分配范围，使我们能够评估扩展性能。表 1 给出了这些配置的详细信息。

我们在 DiT 设计空间中添加了 B、S、L 和 XL 配置。

Transformer decoder。在最后一个 DiT 模块之后，我们需要将图像 token 序列解码为输出噪声预测和输出对角协方差预测。这两个输出的形状都与原始空间输入相同。我们使用标准的线性解码器来实现这一点；我们应用最后一层的归一化（如果使用 adaLN，则应用自适应范数），并将每个 token 线性解码为 $p\times p\times 2C$ 张量，其中 $C$ 是 DiT 的空间输入通道数。最后，我们将解码后的 token 重新排列回其原始空间布局，从而得到预测的噪声和协方差。

我们所探索的完整 DiT 设计空间包括 patch 大小、transformer 模块架构和模型大小。

4.Experimental Setup