퓨전 인코더
텍스트 인코더가 처리한 프롬프트 임베딩과 이미지 특징을 결합해 상호작용을 산출하는 네트워크 구성요소이다. 두 모달리티의 정보를 합쳐 특정 단어와 연관된 시각적 신호를 증폭시켜 마스크 생성기에 전달한다. 단일 모델 파이프라인에서 텍스트-이미지 정합도를 직접 확보하는 역할을 한다.
