UNet网络同时输入文字embedding

通常仅使用时间嵌入（time embedding）和随机高斯噪声，而没有利用输入文字的嵌入（text embeddings）。这一策略虽然简化了模型的设计，但可能限制了模型在特定应用场景下的效果，特别是在那些需要根据文本描述生成图像的任务中。下面将探讨如何将文字嵌入整合到扩散模型中，以增强模型的功能性和适用性。