论文提出Appearance Pointers，一种面向扩散Transformer（DiT）的紧凑控制令牌。它通过区域对应网络，将文本或图像输入与用户指定掩码对齐，再利用空间聚合引导不同区域获得正确的外观线索。该方法无需从头重新训练基础模型，支持多区域、多模态描述，并声称在多项指标上达到或超过特定模态方法。
最近 24 小时暂无可用热度快照。