比弗罗斯特：基于语言指令的3D感知图像合成

本研究解决了传统2D图像合成方法在处理复杂空间关系（如遮挡）时的不足，提出了一种新颖的3D感知框架Bifr\"ost。该框架通过训练MLLM作为2.5D位置预测器，并在生成过程中结合深度图，显著提高了空间理解能力，从而支持复杂的空间交互。研究结果表明，Bifr\"ost在生成现实合成图像方面远超现有方法，为需求精细空间理解的场景提供了强有力的解决方案。