视觉语言融合

EVLF：面向生成式数据集蒸馏的早期视觉-语言融合

EVLF: Early Vision-Language Fusion for Generative Dataset Distillation

提出在编码器与生成主干之间插入轻量交叉注意力实现早期视觉-语言融合，可即插即用地改进任何基于扩散的数据集蒸馏流程，为视觉研究者提供了一种平衡文本语义与视觉潜变量的生成控制手段。