Diffusion VLM（扩散视觉语言模型）

Diffusion VLM 将扩散模型的生成能力与视觉语言模型（VLM）的多模态理解能力相结合。扩散模型通过逐步去噪生成图像，而VLM则负责理解文本和图像之间的语义关系。这种组合使得模型不仅能根据文本描述生成高质量图像，还能进行图像编辑、问答等任务。代表性工作如Stable Diffusion与CLIP的结合，以及谷歌的Imagen等。