MUMU是一种多模态图像生成模型，通过结合文本提示和参考图像来生成目标图像，从而提高生成的准确率和质量。MUMU模型的架构基于SDXL的预训练卷积UNet，采用了视觉语言模型Idefics2的隐藏状态构建。模型在训练时使用了合成数据和真实数据，通过分两个阶段的训练过程，MUMU能更好地保留条件图像的细节，并在风格转换和角色一致性等任务上展现出泛化能力。

MUMU – 文本和图像驱动的多模态生成模型 第1张
（图片来源网络，侵删）
MUMU – 文本和图像驱动的多模态生成模型 第2张
（图片来源网络，侵删）