本文介绍了一种文本本地化的文本到图像生成模型，旨在处理多概念输入图像。该模型通过交叉注意力引导方法有效分解多个概念并建立视觉表示。实验结果表明，该方法在图像保真度和文本对齐方面优于现有模型，且在生成单一和多概念图像时表现出色，具备较高的计算效能和记忆优势。