Stable Diffusion 3.0中的特征融合改进：MM-DiT

主要观点总结

本文对Stable Diffusion 3.0中的多模态DiT模型进行介绍，特别是其中的新型多模态DiT（MM-DiT）在扩散模型中的应用。文章详述了MM-DiT架构的创新点，包括为图像和文本标记设计独立的权重参数，以及特征融合的方式等。

关键观点总结

关键观点1: 新型多模态DiT（MM-DiT）的提出

在DiT框架的基础上，SD3提出了MM-DiT，并将其应用于扩散模型中，为图像和文本的融合处理提供了新的方案。

关键观点2: MM-DiT架构的创新点

MM-DiT为图像的潜在标记和文本标记设计了独立的权重参数，这些标记在进行注意力机制处理前合并，随后整体输入进行处理。

关键观点3: 文本嵌入与图像块嵌入的融合策略

SD 3采取了直接将文本嵌入与图像块嵌入合并的策略，绕过了交叉注意力机制的引入，所有Transformer层采用的参数并非通用，通过单一的自注意力机制促进特征间的互通。

关键观点4: 特征融合的方式

MM-DiT模型在特征融合阶段与原始的DiT模型相似，在图像的潜在空间内执行计算任务，文本特征通过CLIP模型的池化嵌入获得，然后直接与时间步嵌入相融合。