Madde #317Görü & Multimodal/sozluk/diffusion-transformer-dit
Diffusion Transformer (DiT)
Diffusion Transformer (Peebles & Xie, 2023)
Türkçe: Difüzyon Dönüştürücüsü (DiT Mimarisi)
Ayrıntılı Tanım
Difüzyon modellerinde geleneksel olarak kullanılan U-Net omurgasını tamamen çöpe atarak; yerine saf **Vision Transformer (ViT)** bloklarını yerleştiren ve OpenAI Sora ile Stable Diffusion 3'ün temelini oluşturan yeni nesil üretken mimaridir.
Ne İşe Yarar / Çözülen Problem
U-Net mimarisinin ölçeklendikçe (scaling laws) tıkanması krizini çözer; hesaplama gücü ve model boyutu arttıkça görsel ve video üretim kalitesinin öngörülebilir şekilde katlanmasını sağlar.
Nasıl Çalışır? (Teknik & Mekanizma)
Gizil görsel yamalara (patches) bölünür. Zaman adımı () ve metin komutu, adaLN (adaptive Layer Normalization) katmanları üzerinden doğrudan Transformer bloklarının içine zerk edilir. Klasik konvolüsyon sıfırdır.
Örnek Senaryo & Pratik Uygulama
OpenAI Sora'nın ürettiği gerçekçi videoların ve Stable Diffusion 3'ün kusursuz tipografi (yazı yazma) başarısının arkasındaki gizli motor bloğu.
Benzer Terimlerden Farkı
U-Net evrişimli ve aşağı/yukarı ölçeklemeli karmaşık bir boru hattıyken; DiT tamamen aynı boyuttaki yassı Transformer katmanlarının uç uca dizilmesidir.
İlişkili Terimler (3)
Bilgisayarlı Görü, Çok Modlu ve Üretken Yapay Zekâ
CNN, Vision Transformers (ViT), Diffusion, GAN, VAE ve Multimodal modeller.
Toplam Terim:53 Madde
Bu Kategorideki Tüm Terimleri Gör →Önceki Terim (#316)Stable Diffusion
Sonraki Terim (#318)Flow Matching