Tag · 2 篇
文本条件控制
分布 3D 视觉与重建1生成模型与扩散1
01 02
Iris：将语言融入基于扩散的单目深度估计
Iris: Integrating Language into Diffusion-based Monocular Depth Estimation
把文本描述作为额外条件注入扩散式单目深度估计器（Marigold、Lotus、E2E-FT），可缩小深度解空间、提升小区域精度，并支持通过追加场景描述迭代细化深度；同时文本条件能加速训练收敛与推理扩散轨迹，是一种可直接复用的条件化与加速手段。
听见关键之声！文本条件的选择性视频到音频生成
Hear What Matters! Text-conditioned Selective Video-to-Audio Generation
把文本提示词当作显式选择器，通过补充 token 引导交叉注意力从视频编码器中分离出与提示词相关的声源视觉特征，这一「文本引导特征选择」思路可迁移到视觉中的条件生成与可控编辑任务。