混元DiT概述简介

混元DiT（Hunyuan-DiT）是由腾讯混元团队开源的一款高性能的文本到图像的扩散Transformer模型，具备细粒度的中英文理解能力，能够根据文本提示生成多分辨率的高质量图像。混元DiT采用了创新的网络架构，结合了双语CLIP和多语言T5编码器，通过精心设计的数据管道进行训练和优化，支持多轮对话，能够根据上下文生成并完善图像。在中文到图像生成领域，混元DiT达到了开源模型中的领先水平。

混元DiT的功能特色

双语文本到图像生成：混元DiT能够根据中文或英文的文本提示生成图像，这使得它在跨语言的图像生成任务中具有广泛的应用潜力。

细粒度中文元素理解：模型特别针对中文进行了优化，可以更好地理解和生成与中国传统文化相关的元素，如中国古诗、中国传统服饰、中国节日等。

长文本处理能力：支持长达256个标记的文本输入，使得DiT能够理解和生成与复杂长文本描述相匹配的图像。

多尺寸图像生成：Hunyuan-DiT能够在多种尺寸比例下生成高质量的图像，满足从社交媒体帖子到大尺寸打印等不同用途的需求。

多轮对话和上下文理解：通过与用户进行多轮对话，混元DiT能够根据对话历史和上下文信息生成和迭代图像，这增强了交互性和创造性。

图像与文本的高一致性：Hunyuan-DiT生成的图像在内容上与输入的文本提示高度一致，确保了图像能够准确反映文本的意图和细节。

艺术性和创意性：混元DiT不仅能够生成常见的图像，还能够捕捉文本中的创意描述，生成具有艺术性和创意性的图像作品。

混元DiT的官网入口

官方项目主页：https://dit.hunyuan.tencent.com/

Hugging Face模型：https://huggingface.co/Tencent-Hunyuan/HunyuanDiT

GitHub源码：https://github.com/Tencent/HunyuanDiT

技术报告：https://tencent.github.io/HunyuanDiT/asset/Hunyuan_DiT_Tech_Report_05140553.pdf

混元DiT的技术架构

双文本编码器：混元DiT结合了双语CLIP和多语言T5编码器，以增强对输入文本的理解和编码能力。CLIP模型因其强大的图像和文本之间的关联能力而被选用，而T5模型则因其在多语言和文本理解方面的能力。

变分自编码器（VAE）：使用预训练的VAE将图像压缩到低维潜在空间，这有助于扩散模型学习数据分布。VAE的潜在空间对生成质量有重要影响。

扩散模型：基于扩散Transformer，混元DiT使用扩散模型来学习数据分布。该模型通过交叉注意力机制将文本条件与扩散模型结合。

改进的生成器：扩散Transformer相比于基线DiT有若干改进，例如使用自适应层归一化（AdaNorm）来加强细粒度文本条件的执行。

位置编码：混元DiT采用旋转位置嵌入（RoPE）来同时编码绝对位置和相对位置依赖性，支持多分辨率训练和推理。

多模态大型语言大模型（MLLM）：用于图像-文本对的原始标题的重构，以提高数据质量。MLLM经过微调，能够生成包含世界知识的结构化标题。

数据管道：包括数据获取、解释、分层和应用。通过一个称为“数据车队”的迭代过程来检查新数据的有效性。

后训练优化：在推理阶段进行优化，以降低部署成本，包括ONNX图优化、内核优化、操作融合等。

混元DiT与其他文生图模型的比较

为了全面比较HunyuanDiT与其他模型的生成能力，混元团队构建了4个维度的测试集，超过50名专业评估人员进行评估，包括文本图像一致性、排除AI伪影、主题清晰度、审美。