3D渲染监督

通过学习视角token实现文本到图像生成的相机控制

Camera Control for Text-to-Image Generation via Learning Viewpoint Tokens

把相机位姿编码为可学习的视角token注入扩散模型，使文本到图像生成获得精确的相机控制；其用3D渲染图做几何监督、用真实感增强补外观多样性的数据构造方式，以及验证视角token可跨物体类别迁移的解耦性，对做可控生成与3D感知生成的研究者可直接复用。