DiT-Air: Переосмысление эффективности архитектуры диффузионных моделей в генерации изображений по тексту

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

March 13, 2025

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

cs.AI

Аннотация

В данной работе мы эмпирически исследуем Трансформеры с Диффузией (DiTs) для генерации изображений по тексту, уделяя особое внимание архитектурным решениям, стратегиям текстового кондиционирования и протоколам обучения. Мы оцениваем ряд архитектур на основе DiT, включая варианты в стиле PixArt и MMDiT, и сравниваем их с базовой версией DiT, которая напрямую обрабатывает объединенные текстовые и шумовые входные данные. Удивительно, но наши результаты показывают, что производительность стандартной DiT сопоставима с этими специализированными моделями, при этом демонстрируя превосходную эффективность по параметрам, особенно при масштабировании. Используя стратегию разделения параметров между слоями, мы добиваемся дополнительного сокращения размера модели на 66% по сравнению с архитектурой MMDiT с минимальным влиянием на производительность. На основе глубокого анализа ключевых компонентов, таких как текстовые кодировщики и Вариационные Автокодировщики (VAEs), мы представляем DiT-Air и DiT-Air-Lite. С использованием контролируемой и ревардной тонкой настройки, DiT-Air достигает наилучших результатов на тестах GenEval и T2I CompBench, в то время как DiT-Air-Lite остается высококонкурентоспособной, превосходя большинство существующих моделей, несмотря на компактный размер.

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.