DiT-Air : Reconsidérer l'efficacité de la conception architecturale des modèles de diffusion dans la génération d'images à partir de texte

DiT-Air: Revisiting the Efficiency of Diffusion Model Architecture Design in Text to Image Generation

March 13, 2025

Auteurs: Chen Chen, Rui Qian, Wenze Hu, Tsu-Jui Fu, Lezhi Li, Bowen Zhang, Alex Schwing, Wei Liu, Yinfei Yang

cs.AI

Résumé

Dans ce travail, nous étudions empiriquement les Transformers de Diffusion (DiTs) pour la génération d'images à partir de texte, en nous concentrant sur les choix architecturaux, les stratégies de conditionnement textuel et les protocoles d'entraînement. Nous évaluons une gamme d'architectures basées sur les DiTs—incluant les variantes de type PixArt et MMDiT—et les comparons à une variante standard de DiT qui traite directement les entrées concaténées de texte et de bruit. Étonnamment, nos résultats révèlent que la performance de la DiT standard est comparable à celle des modèles spécialisés, tout en démontrant une efficacité paramétrique supérieure, notamment lors d'une mise à l'échelle. En exploitant la stratégie de partage de paramètres couche par couche, nous parvenons à réduire de 66 % la taille du modèle par rapport à une architecture MMDiT, avec un impact minimal sur les performances. S'appuyant sur une analyse approfondie des composants critiques tels que les encodeurs de texte et les Auto-Encodeurs Variationnels (VAEs), nous introduisons DiT-Air et DiT-Air-Lite. Avec un affinage supervisé et par récompense, DiT-Air atteint des performances de pointe sur GenEval et T2I CompBench, tandis que DiT-Air-Lite reste très compétitive, surpassant la plupart des modèles existants malgré sa taille compacte.

English

In this work, we empirically study Diffusion Transformers (DiTs) for text-to-image generation, focusing on architectural choices, text-conditioning strategies, and training protocols. We evaluate a range of DiT-based architectures--including PixArt-style and MMDiT variants--and compare them with a standard DiT variant which directly processes concatenated text and noise inputs. Surprisingly, our findings reveal that the performance of standard DiT is comparable with those specialized models, while demonstrating superior parameter-efficiency, especially when scaled up. Leveraging the layer-wise parameter sharing strategy, we achieve a further reduction of 66% in model size compared to an MMDiT architecture, with minimal performance impact. Building on an in-depth analysis of critical components such as text encoders and Variational Auto-Encoders (VAEs), we introduce DiT-Air and DiT-Air-Lite. With supervised and reward fine-tuning, DiT-Air achieves state-of-the-art performance on GenEval and T2I CompBench, while DiT-Air-Lite remains highly competitive, surpassing most existing models despite its compact size.