本文提出了一种两阶段模型，利用扩散模型生成图像，提升图像多样性并保留语义。研究表明，CLIP和CLOOB模型的嵌入空间分析有助于多模态模型的发展。此外，个性化文本嵌入方法实现灵活的图像编辑，并在检测领域表现优异，超越传统技术。