テキストから画像への拡散モデルを用いた視覚的認識のための暗黙的および明示的な言語ガイダンス

テキストから画像への拡散モデルの強力な特徴表現能力を活用し、暗黙的および明示的な言語ガイダンスを導入することで、視覚的認識タスクの性能を向上させる。