本研究解决了多模态扩散变换器中自注意力层对位置嵌入和查询-键相似性的依赖，提出了一种无训练的图像编辑框架，提升了图像编辑质量并保持了原始语义内容。

本研究针对MMDiT模型在相似主题输入时的生成问题，提出了一种动态修复模糊潜在表示的方法，设计了三种损失函数，并引入在线重叠检测和起始采样策略，从而显著提升了生成质量和成功率。