扩散Transformer

扩散Transformer使用Transformer作为去噪网络骨干，通过逐步去除噪声来生成高质量图像或视频。相比传统U-Net架构，DiT具有更好的可扩展性和表征能力。代表工作包括Sora、Stable Diffusion 3等。在Cosmos 3中负责高保真视觉生成。