DiT

DiT 是一种基于 Transformer 架构的扩散模型（Diffusion Model），旨在替代传统 U-Net 主干网络，提升图像生成任务的可扩展性与性能。其核心是将潜在空间中的图像分块输入到纯 Transformer 编码器中进行去噪建模，支持类条件生成，并在 ImageNet 256×256 和 512×512 上达到当时最优的 FID 分数（2.27）。项目提供完整 PyTorch 实现、预训练权重、分布式训练脚本及开箱即用的 Hugging Face Space 和 Colab 示例。适用于需要高分辨率、高质量可控图像生成的研究与应用，如学术探索、生成模型架构对比、潜在空间建模研究等。