多模态扩散Transformer

Dynamic-eDiTor：基于多模态扩散 Transformer 的免训练文本驱动 4D 场景编辑

Dynamic-eDiTor: Training-Free Text-Driven 4D Scene Editing with Multimodal Diffusion Transformer

把 MM-DiT 的注意力改造成时空子网格注意力并配合词元继承与光流引导的词元替换，可在不训练的情况下把 2D 编辑能力迁移到多视角视频，直接优化已有 4DGS；这套「免训练 + 词元传播」思路可复用到任何需要跨视角/跨帧一致性的扩散编辑任务。