text-conditioned

ARDY 引入了一个流式生成框架，用于实时、高保真度的 3D 人体运动生成，通过文本和运动学约束进行控制，采用混合表示和两阶段自回归 Transformer 去噪器。

VGGT-Edit 提出了一种基于深度同步文本注入和残差场预测的前馈框架，用于文本驱动的原生3D场景编辑，相较于2D提升方法，实现了更优的质量和效率。