Text-to-image на ESP32: запуск диффузионного трансформера на микроконтроллере

Автор продемонстрировал возможность локального запуска генерации изображений по текстовому описанию на микроконтроллере ESP32-S3 без использования облачных сервисов. Для этого была адаптирована латентная диффузия с архитектурой DiT, применено int8-квантование и оптимизация под векторные инструкции чипа. В результате устройство генерирует изображение размером 64×64 пикселя за 5,4 секунды.