待验证60% 置信事实精确时间
DiT的核心思想是利用Transformer处理图像块（patch）序列，并通过自适应层归一化（adaLN）注入时间步和类别条件。
2
来源数
60%
置信度
长期有效
时效性
2026/10/26
首次发现
来源
零基础学扩散模型：原理、工具与创新路径全解析
bilibili论文不秃头指南2026/10/15
涉及实体
相关事实
待验证DiT 架构用 Transformer 块替代了 UNet 扩散模型中的卷积层，能更好地建模长程依赖关系76% 相似待验证OpenAI的Sora采用了Diffusion Transformer（DiT）架构，将Transformer的注意力机制与扩散过程结合，能够理解时空连贯性73% 相似待验证分层行为编码器（HBE）分别用Temporal Transformer和Set Transformer对个体时间演进过程和鱼群集体动态建模72% 相似待验证Recurrent Looped Transformer提出让模型的部分层结构以循环方式反复调用，在不增加参数量的前提下提供可变的思考深度71% 相似待验证DiT 把传统扩散模型的 U-Net 卷积去噪主干换成纯 Transformer，用自注意力处理被切成 patch 的潜空间特征，天然适合多模态条件。69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1101414API
curl https://kongchang.com/api/v1/knowledge/claims/1101414MCP
get_claim(id=1101414)