在家里从头开始自制扩散模型 “Home-made Diffusion Model from Scratch to Hatch”
arxiv.org/abs/2509.06068
这篇论文介绍了名为“自制扩散模型”（Home-made Diffusion Model, HDM）的高效文本到图像生成模型 ，其核心目标是在消费级硬件上以极低的成本进行训练 。文章提出了一种名为“交叉U型变换器”（Cross-U-Transformer, XUT）的新颖架构，该架构利用交叉注意力（cross-attention）机制实现更优的特征融合和出色的构图一致性 ；并提供了一套包含“移位方形裁剪”（shifted square crop）策略和TREAD加速技术的完整训练方案 。研究证明，一个3.43亿参数的模型可在四块RTX5090消费级显卡上以约535至620美元的成本完成1024x1024分辨率的高质量训练，并展现出如“相机控制”等涌现能力。
图为一些示例。
