Architektury generatywne, w których transformer przetwarza łatki reprezentacji obrazu zamiast typowego szkieletu U-Net. DiT zastosował tę konstrukcję w dyfuzji latentnej, a nowsze warianty wykorzystują transformery również w modelach trenowanych metodami przepływowymi.
Generative architectures in which a transformer processes patches of an image representation instead of a conventional U-Net backbone. DiT applied this design to latent diffusion, while newer variants also use transformers in flow-trained models.
To generatory, które podczas tworzenia obrazu porównują jego małe fragmenty za pomocą mechanizmu uwagi.
These generators compare small image-representation patches through attention while creating an image.
Tworzony obraz potrzebuje zgodności między odległymi fragmentami, a model musi sprawnie łączyć ich informacje.
A generated image needs consistency across distant regions, and the model must connect their information efficiently.
Transformer przetwarza fragmenty zaszumionego lub pośredniego zapisu obrazu i przewiduje zmiany potrzebne w kolejnym kroku generowania.
A transformer processes patches of a noisy or intermediate image representation and predicts changes needed for the next generation step.
Generator ilustracji zestawia fragmenty postaci i tła podczas kolejnych kroków budowania sceny.
An illustration generator connects figure and background patches during successive steps of constructing a scene.