高分辨率 DiT 由粗到细注意力示意图

概览

高分辨率扩散 Transformer 高效注意力的两阶段示意图，沿去噪轴从 σ = 1 经切换点 σ^* 到 σ = 0 排布。这是一张可编辑的 PowerPoint 图，依据 CC BY 4.0 许可改编自论文原图。

图中内容

阶段 I 跨尺度粗注意力：Q 保持全分辨率，K, V 每个 f × f 块只留一个 token（保留块中心，在原网格上以 f = 4 池化）；N × d 的查询乘 Pooled K^⊤ 只得到一条窄分数带而不是完整注意力图，f = 4 时成本 1/16，f = 2 时 1/4。阶段 II 自适应窗口细注意力：在生成图像上画出四个去噪步的基础窗口，小波（DWT）细节平滑的区域每步再切成更细的窗口。底部结果条给出 f = 4、f = 2 的粗粒度结果、两张局部放大、最终自适应结果和基线对比。每个方框、箭头、标签和公式都是原生形状，改配色、改文字、拆开单独用都行，适合组会汇报、开题、论文配图和海报。

文件格式

下载包含：.pptx（1 页，15.47 × 7.17 英寸；PowerPoint、Keynote、WPS、LibreOffice 都能打开；Google Slides 也能用，但复杂自由曲线可能略有偏移）、.svg、.drawio。附原尺寸预览图 preview.png，另有 1200 px 网页预览图。

形状与编辑

1656 个原生可编辑形状：1433 个自选图形、35 个文本框、18 个自由曲线、170 条线条/连接线（另有 14 个小编组）。不含任何嵌入图片，全部矢量。可编辑内容：全部文字和公式（Q、K, V、f × f、Pooled K^⊤、N、d、σ = 1、σ^*、σ = 0）、带块中心圆点的 Q 与 K, V token 网格、池化后的 2 × 2 网格、带 f = 4 / f = 2 括号的成本条、图像上每一条红色基础窗口线和橙色切分线、弯曲的步进箭头、两个虚线阶段面板、去噪轴和基线分隔线。

嵌入图片与字体

本文件不含任何嵌入图片，全部为矢量。阶段 II 的 4 张生成图、4 张小波细节图和底部 6 张结果缩略图都是矢量画的中性示意场景：扁平的森林场景、灰度方块图，以及代表池化预览的色块马赛克。需要真实样例时直接把自己的图盖上去即可。正文用 Georgia，公式统一用 Times New Roman（两者 Windows 和 macOS 都自带；LibreOffice 会用等宽度的 Gelasio 和 Liberation Serif 显示）。上下标是真正的上标 / 下标文字格式，不是公式编辑器对象。SVG 里的文字仍是可编辑文字；draw.io 文件是逐个形状转换的，个别位置可能要微调。本文件是忠实重绘，不是作者的原始源文件。