该文汇总多项多模态生成研究，包括：提出MIVC组件，以排列不变方式汇总多图视觉表示，提升视觉问答、分类与标题性能；提出CDD-ICM扩散方法，结合CLIP与门控融合实现多轮组合图像生成，在CoDraw和i-CLEVR达最优；还涉及多任务逻辑形式生成、图像拼贴对抗训练、混合专家控制器、不完整图文聚类、扩散数据增强、交叉注意力本地化生成、MaGIC多模态引导补全及MuCoCO文本属性控制。