待验证50% 置信事实精确时间
Grounding DINO同时接收图像和文本输入，通过跨模态融合模块将语言特征与视觉特征深度对齐，实现根据任意文本描述定位图像中对应目标的能力
1
来源数
50%
置信度
长期有效
时效性
2026/8/30
首次发现
来源
涉及实体
相关事实
待验证现代AI绘图工具普遍使用CLIP或其改进版本作为文本编码器，将文字描述映射至与图像语义对齐的向量空间73% 相似待验证图像条件化方案通常借助CLIP视觉编码器（ViT架构）将参考图映射到与文本嵌入共享的语义空间，再通过交叉注意力（Cross-Attention）机制将视觉特征注入UNet的去噪过程72% 相似待验证参考图上传功能通过图像编码与跨模态对齐技术，将图像编码为高维特征向量，与文字提示词的语义向量共同引导扩散过程的去噪方向72% 相似待验证图像生成模型通常采用CLIP或类似跨模态编码器将文本映射为高维向量，再由U-Net或DiT架构在潜空间逐步去噪生成图像72% 相似已验证CLIP（Contrastive Language-Image Pre-training）通过对比学习将图像和文本映射到共享的语义空间70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/827173API
curl https://kongchang.com/api/v1/knowledge/claims/827173MCP
get_claim(id=827173)