Images Talk Back: Điều hướng MMDiT bằng cách triệt tiêu phản hồi từ ảnh sang văn bản

Trong MMDiT, ảnh đang được sinh có thể cập nhật biểu diễn văn bản bên trong thông qua cơ chế attention chung, rồi các biểu diễn này lại dẫn dắt các bước cập nhật ảnh tiếp theo. Bài báo đặt câu hỏi liệu phản hồi này giúp sửa các sai lệch so với prompt hay lại làm chúng được giữ nguyên.