arXiv · 机器人与计算机视觉· Chika Maduabuchi·· 10 天前AI 评分48
PSP-DiT:将全景场景程序作为潜变量引入扩散 - Transformer 架构以增强组合提示生成能力
Panoptic Scene Program Diffusion Transformer
AI 导读
PSP-DiT 是一种将全景场景程序视为第一类潜变量的扩散 - Transformer 架构,通过联合去噪图像与场景程序潜变量实现对象实例、属性及关系的视觉对齐。该方法在 GenEval 2、SANEval-Simple 等基准上优于强基线,尤其在计数、属性绑定和长结构提示任务中提升显著,同时保持图像质量并仅增加适度推理开销。
来源:arXiv · 机器人与计算机视觉 · arxiv.org