标签
PerceptionDLM 提出了一种多模态扩散语言模型，通过结构化注意力掩码和高效提示实现并行区域感知，在不牺牲字幕质量的情况下实现更快的推理。实验表明，在多区域感知任务中，性能具有竞争力且速度大幅提升。
OneHOI 是一个统一的扩散 Transformer 框架，通过关系建模和结构化注意力机制将人物-物体交互（HOI）生成和编辑整合为单一的条件去噪过程。该方法在 HOI 生成和编辑两项任务上都达到了最先进的性能，并支持多种控制模式。