ICLR 2025 | 计算量仅DiT的一半！一个模型架构搞定T2X任务

文章预览

前言   Diffusion Transformer模型由于全局self-attention，其计算复杂度与序列长度平方成正比，导致其在高分辨率图像和长时间视频生成任务中面临计算成本高的问题。为此，来自中山大学和360 AI Research的研究人员基于Proxy token提出了一种高效的Diffusion Transformer 即PT-DiT, 能够适用于文本生成图像、视频和Multi-View的等多种生成任务。 Pytorch训练营，花两个星期彻底掌握代码实现 CV各大方向专栏与各个部署框架最全教程整理 CV全栈指导班、基础入门班、论文指导班 全面上线!! 来源：CVer 仅用于学术分享，若侵权请联系删除 目前该研究已开源。 论文地址：https://arxiv.org/pdf/2409.04005 项目主页：https://360cvgroup.github.io/Qihoo-T2X 代码仓库：https://github.com/360CVGroup/Qihoo-T2X 研究动机 当前，基于Diffusion Transformer 的模型（Sora , Vidu, Flux等）能够生成高保真度图像或视频并与文 ………………………………