闲来没事，找点近一年的论文看看
1. DiC: Rethinking Conv3x3 Designs in Diffusion Models
✨ 一句话总结：DiC用沙漏架构+稀疏跳跃+条件门控重构纯Conv3x3扩散模型，在速度碾压Transformer的同时性能反超，为实时生成任务开辟新路径。
背景
扩散模型现状：
- 主流架构从CNN-注意力混合（如U-Net）转向纯Transformer（如DiT、U-ViT），生成质量优异但推理速度慢（自注意力计算开销大）。
- 加速尝试（如高效注意力、SSM架构）效果有限，难以满足实时需求。
卷积的潜力：
- Conv3x3是硬件友好的极速操作（支持Winograd加速），但传统设计在扩散模型中性能不足（感受野有限，扩展性差）。
可以看出，这篇论文就是要重新设计CNN的合适结构去解决Diffusion推理慢的问题。
核心问题
如何设计纯Conv3x3架构，使其在扩散模型中同时实现：
✅ 高生成质量（对标Transformer）
✅ 极快推理速度
✅ 强可扩展性（模型增大时性能持续提升）
Motivation
- 卷积的硬件效率远超自注意力，但现有纯Conv3x3扩散模型性能落后。
- 需系统性改进架构与条件机制，释放Conv3x3在生成任务中的潜力。
架构设计
（1）作者死磕conv3x3
选择3x3卷积作为基础操作单元，是因为它速度极快，硬件（GPU）和算法（如Winograd）对其进行了极好的优化，计算量远低于其他卷积类型（如深度可分离卷积），并行度高且内存访问开销小，简单说就是“性价比”最高的基础模块；我们的目标正是仅用这个最简单的积木块来搭建高性能模型。在设计中，我们借鉴了老牌扩散模型（如DDPM的U-Net）中的卷积块结构，但进行了关键简化：直接移除自注意力模块，只保留纯卷积操作。具体而言，每个基本块由GroupNorm、SiLU激活、3x3卷积、GroupNorm、SiLU激活和3x3卷积顺序组成，并采用残差连接（输入直接加到输出上）且通道数保持不变，这构成了纯卷积扩散模型的起点，既保持了结构的简洁高效，又确保了高吞吐量和硬件友好性。
（2）模型结构
现在基础Block设计好了，那么整体的网络应该怎么处理呢？
作者探讨了几种网络结构。
（a) 直筒型 (Isotropic)： 像 DiT/Transformer 那样，从头到尾特征图大小不变（不上下采样），就是一层层堆叠基本块。结果：最差。 因为 Conv3x3 感受野太小，堆很深才能看到全局，效率低效果差。
（b） 带跳跃的直筒型 (Isotropic + Skip)： 还是特征图大小不变，但在堆叠的块之间加长距离跳跃连接（像 U-ViT）。结果：比纯直筒好点，但还不够。
（c）沙漏型/U-Net (U-Net Hourglass)： 经典编码器-解码器结构。编码器一路下采样（缩小图，增大感受野），解码器一路上采样（放大图），中间还有密集的跳跃连接（把编码器信息直接传给解码器对应层）。结果：明显最好！
但作者发现，当模型变大变深时，传统 U-Net 这种每层都跳的密集跳跃太“奢侈”了，解码器要处理太多跳过来的信息，又费算力又占内存，很多跳跃其实没多大用，反而拖累模型变大。于是作者想了个新招：稀疏跳跃连接。意思就是别每层都跳，改成隔几层跳一次（比如只跳第一层到第一层、第四层到第四层，中间的二三层不跳）。这样好处很大：跳的连接少了，计算和内存开销大减；去掉没用的跳跃，信息传递更高效；
（3） 剩下的一些小改进
- 个性化条件嵌入 （针对沙漏式网络有效）
老模型（如DDPM）采用单一条件嵌入表（即“一个词表通吃”）为整个U-Net结构提供提示语，但这忽略了U-Net的层级特性：编码器早期层处理高分辨率细节特征（如边缘和纹理），而解码器后期层处理低分辨率整体特征（如物体形状和场景），二者任务迥异，如同让小学生和大学生共用同一本教材，必然导致效果打折；为此，DiC引入分阶段专属词表（Stage-Specific Embeddings）的改进方案，即为U-Net中每个分辨率相同阶段（一组基本块）配置独立的条件嵌入表，使编码器底层能获取适配细节理解的提示、解码器高层能获取适配整体把握的提示，从而显著提升性能（FID指标从11.49降至10.07），而代价仅增加少量参数（14M，占模型总量2%）和计算量（12M FLOPs），相对于整体收益几乎可忽略不计，性价比极高。
- 在哪里设置条件输入？（借助DiT的成功经验）
有两种选择：（1）在模型第一个conv3x3的前面输入（2）在模型第二个conv3x3的前面输入
作者发现在第二个前面会好一点点 （就是图哪里scale and shift的地方）
那么选好了输入的地方，该怎么输入呢？
- 为增强条件响应的灵活性，DiC直接借鉴了Diffusion Transformer (DiT) 中的AdaLN机制，引入条件门控（Conditional Gating），其核心不仅对特征图进行常规的缩放（scale）和平移（shift），还额外学习一个通道维度的门控向量，如同为每个特征通道配置可动态调节的“小开关”，实现更精细的特征调控，使模型能自适应不同条件（如图像类别），进一步将FID降至6.54；尽管该设计非原创，但因其高效易集成且收益显著，成为提升模型性能的关键补充。
- 采用GELU而不是SiLU （借助ConvNeXt的成功经验）
作为一项次要但有效的优化，DiC 模型将原先广泛用于 CNN 的 SiLU（Swish）激活函数统一替换为 Transformer 领域标配的 GELU；这一改动直接借鉴了 ConvNeXt 的成功经验（该工作通过引入 Transformer 风格组件显著提升了 CNN 性能），在 DiC 的纯卷积结构中验证有效——尽管提升幅度有限，却能稳定优化生成质量（FID 指标从 6.54 降至 6.26）；作者虽知存在更新的激活函数候选，但为兼顾实现简单性与训练稳定性，最终选择了经过大规模实践验证的 GELU，以最小代价换取可靠收益。
2. DropKey
最近在小红书刷到一个特别有意思的帖子，为什么自己写的多头自注意力机制不够torch自带的MultiheadAttention好呢？
贴主给出了需要注意的点：
- 多头注意力的Dropout并不是drop掉输出，而是drop掉attn_weight
这个Trick是cvpr2023 DropKey这篇论文提出的，讲了ViT通过Drop掉权重（也就是drop掉Key，为什么不叫DropWeight，我不懂）而不是softmax之后的值。
具体的实现是很简单的几行代码：
我看了一下torch实现的代码，现在的drop确实是drop掉weight，而不是softmax之后的值。
这篇论文还讲了蒙特卡洛算法来bridge因为drop导致的train和test之间的代沟，我看一下这部分的内容，额外学习一下。
同时作者还论证了随着层数的增加，dropout的概率应该降低，这让模型学习得更好：
小的熵值表示模型更聚焦于sparse patches，由于class token对于聚合整张图的信息有帮助，这里计算它的熵作为模型提取全局信息能力的度量。从这个图可以看出，当Dropout变小的时候，模型提取全局信息能力更强，因此后续的层dropout应该小一些。
- 这里实验的具体实现应该就是：计算 cls-token 和其他image patch token的attention weight，因为weight是0-1的一个概率，我们可以把它输入进去这个熵的公式，然后得到这个token的熵，最后所有token的熵求一个平均。如果是多头注意力，那么就每个头再求一次平均。
- 低熵值：意味着向量中只有少数几个权重值很大，其他都很小。这表示该注意力头高度聚焦在少数几个关键的图像块上（sparse patches）。
- 高熵值：意味着向量中所有权重值都比较平均。这表示该注意力头将注意力平滑地分散在更多的图像块上，关注的是更全局的特征。
但是作者页论证了dropkey的一些不足：
- 未对齐的期望 [推理阶段没有 Dropout] 会对模型产生一定的负面影响，因此作者使用两种方法来对齐期望。
- 第一种，用蒙特卡罗法估算，通过执行多次随机下降，并在每次下降操作后计算注意力权重矩阵。 最后，将计算出的多重权重矩阵的平均值用作下一步的输入。
- 第二个，在没有 DropKey 的情况下微调模型，作为 DropKey 训练后的额外阶段。作者通过实验验证第二种策略的性能更好。
