跨尺度注意力融合

CLEP：对比语言-姿态预训练

CLEP: Contrastive Language-Pose Pretraining

提出层次化姿态编码器与跨尺度注意力融合机制，将关节、肢体、身体多层级特征动态整合，可用于任何需要细粒度人体姿态-语言对齐的视觉-语言任务，如文本驱动的姿态生成与编辑。