DiT-Air: Revisitando a Eficiência do Design de Arquitetura de Modelos de Difusão na Geração de Imagens a partir de Texto

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

March 13, 2025

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

cs.AI

Resumo

Neste trabalho, estudamos empiricamente os Transformadores de Difusão (DiTs) para geração de texto para imagem, com foco em escolhas arquitetônicas, estratégias de condicionamento de texto e protocolos de treinamento. Avaliamos uma variedade de arquiteturas baseadas em DiTs—incluindo variantes no estilo PixArt e MMDiT—e as comparamos com uma variante padrão de DiT que processa diretamente entradas concatenadas de texto e ruído. Surpreendentemente, nossos resultados revelam que o desempenho do DiT padrão é comparável ao desses modelos especializados, ao mesmo tempo em que demonstra uma eficiência superior em termos de parâmetros, especialmente quando escalonado. Aproveitando a estratégia de compartilhamento de parâmetros por camadas, alcançamos uma redução adicional de 66% no tamanho do modelo em comparação com uma arquitetura MMDiT, com impacto mínimo no desempenho. Com base em uma análise aprofundada de componentes críticos, como codificadores de texto e Autoencodadores Variacionais (VAEs), introduzimos o DiT-Air e o DiT-Air-Lite. Com ajuste fino supervisionado e baseado em recompensas, o DiT-Air alcança desempenho de ponta no GenEval e no T2I CompBench, enquanto o DiT-Air-Lite permanece altamente competitivo, superando a maioria dos modelos existentes, apesar de seu tamanho compacto.

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.