Elasticer

Diffusion Transformer(DiT)：用 ViT 替代 U-Net 用于视频生成与机器人动作预测

Diffusion Transformer（DiT）通过将扩散模型中的 U-Net 架构替换为视觉 Transformer（ViT），显著提升了生成模型的扩展性。该架构不仅广泛应用于视频生成领域，通过引入时间注意力机制实现帧间一致性，还逐渐应用于机器人动作预测。清华大学提出的预测与动作扩散器（PAD）利用 DiT 骨干网络，结合大规模视频数据与机器人演示数据…