Notes
支持「文本 + 参考图」的多模态指令；引入 Index Encoding 与 VLM 联合训练。思路是用同样的索引+位置编码让模型精准定位编辑区域。
学完以后，我能否回答这些问题？
- 这篇论文真正优化的目标是什么？训练信号从哪里获得？
- 它的核心机制相对基线新增了什么？主要收益在什么条件下成立？
- 哪些结论有实验支持，哪些迁移到我的研究还需要验证？
建议不看正文先回答，再回到相关章节核对。这里不自动判定「已读」。
论文笔记 约 1 分钟阅读
DreamOmni2
DreamOmni2: Multimodal Instruction-based Editing and Generation
统一图像生成与编辑能力的研究
阅读设置