字节跳动团队提出UNO模型，利用扩散Transformer生成一致的多主体数据，优化模型性能，提升图像质量。UNO在基准测试中表现优异，达到SOTA水平，相关教程已上线。

该研究介绍了一种数据融合建模方法，可以识别不同数据源的共同特征并考虑源特异性变异。耦合生成器分解方法在多主体、多模态的神经影像实验中的应用效果明显。研究结果表明，颞叶面区的激活性在约170ms后对于打乱的脸部与真实脸部相比有所改变。该方法比传统方法更快速，研究者提供了易于访问的工具箱，包括耦合生成器分解、原型分析和定向原型分析的数据融合方法。该方法为数据融合提供了一个有希望的新途径。