多模态联合注意力

面向文本到图像扩散 Transformer 中区域与遮挡控制的逐层实例绑定

Layer-wise Instance Binding for Regional and Occlusion Control in Text-to-Image Diffusion Transformers

利用多模态联合注意力中的上下文共享机制，在去噪早期为每个实例建立独立分支并按层序融合成统一潜变量，从而在免训练条件下实现区域布局与遮挡顺序控制；这一「早期潜变量结构重排」思路可直接迁移到 DiT 类生成器的空间可控生成与分层编辑。