基本结构：

• 下采样路径（编码器）

• 上采样路径（解码器）

• 中间的瓶颈层

• 跳跃连接

输入：

• 噪声图像

• 时间步长嵌入

• 可选的条件信息（如文本嵌入）

下采样路径：

• 使用卷积层和下采样操作逐步减小空间分辨率

• 增加通道数以捕获更多特征

• 通常包含残差块和注意力机制

瓶颈层：

• 位于网络的最深处

• 使用自注意力机制处理全局信息

上采样路径：

• 使用转置卷积或上采样+卷积逐步增加空间分辨率

• 结合来自下采样路径的跳跃连接信息

• 同样包含残差块和注意力机制

跳跃连接：

• 将下采样路径的特征直接连接到上采样路径

• 帮助保留细节信息和梯度流动

时间嵌入：

• 将时间步长信息注入到网络的各个层中

• 通常使用正弦位置编码或可学习的嵌入

条件嵌入：

• 在条件生成任务中，将文本或其他条件信息注入网络

• 可以使用交叉注意力或其他机制

残差块：

• 包含多个卷积层和非线性激活函数

• 使用残差连接以便于训练深层网络

注意力机制：

• 自注意力层帮助模型捕获长距离依赖

• 在空间维度上应用，有时也在通道维度上应用

归一化：

• 使用组归一化（Group Normalization）而不是批量归一化

• 有助于稳定训练过程

激活函数：

• 通常使用SiLU（Swish）激活函数

输出：

• 预测的噪声，与输入图像具有相同的尺寸

特点：

• 能够处理多尺度信息

• 可以捕获局部和全局特征

• 适用于各种图像分辨率

变体：

• 可能包含额外的交叉注意力层用于条件生成

• 可能使用不同的上采样和下采样策略

• 可能包含额外的控制机制（如ControlNet）