本研究提出了JointDiT模型，通过扩散变换器增强RGB和深度的联合建模。采用自适应调度权重和不平衡时间步采样策略，JointDiT显著提升了图像生成和深度估计的性能，展现了在多种生成任务中的应用潜力。

本文综述了口语语言理解中意图检测与槽位填充的联合建模进展，涵盖DGIF、Co-guiding Net、BERT联合模型、SF-ID网络、PromptSLU、AGIF等框架，通过图交互、对比学习、提示学习提升两任务协同，在多个数据集上取得显著性能提升。