本文介绍了优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了一种优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。

本文介绍了一种优先级中心的M2DM模型，利用基于Transformer的VQ-VAE得出离散的动作表示。该模型通过自注意机制和正则化项抵消代码坍塌，并采用噪声调度方式确定动作标记的重要性。实验证实该模型在保真度和多样性方面超过现有技术，尤其对于复杂的文本描述。