PerceptionDLM

PerceptionDLM 用 multimodal diffusion language model 做并行区域感知，目标是在多个图像区域上同时生成描述。作者引入 efficient prompting 与 structured attention masking，并构建 ParaDLC-Bench，把 DLC-Bench 扩展到每图多个 region masks，以同时评估 caption 质量和推理效率。它的关键贡献是让 region captioning 不再按区域顺序串行处理，而是利用 DLM 的并行解码特性。