本文介绍了一种用于处理多概念输入图像的文本本地化模型。该模型通过交叉注意力引导方法，在微调过程中建立目标概念的视觉表示与标识符令牌之间的连接。实验结果表明，该方法在图像保真度和图像文本对齐方面优于基准模型，并且能够生成与目标概念一致的交叉注意力映射。

本文介绍了一种用于处理多概念输入图像的文本本地化模型，采用交叉注意力引导方法建立目标概念的视觉表示与标识符令牌之间的连接。实验结果表明，该方法在图像保真度和图像文本对齐方面优于基准模型，并且能够生成与目标概念一致的交叉注意力映射。