计数对齐

当数字发声：文本到视频扩散模型中文本数词与视觉实例的对齐

When Numbers Speak: Aligning Textual Numerals and Visual Instances in Text-to-Video Diffusion Models

通过筛选判别性自注意力/交叉注意力头提取可计数的潜变量布局，再调制交叉注意力引导重生成，是一种无需训练即可复用的生成过程结构引导手段，可直接迁移到其他需要空间/数量约束的扩散生成任务。