spatial-aware-cross-attention
공간 인지 교차 어텐션
텍스트 토큰과 시각 토큰 간의 교차 어텐션 계산에서 각 객체의 2D 바운딩 박스에 해당하는 시각 토큰에 가중치를 부여해 텍스트의 지역적 영향력을 강화하는 기법이다. 이 방식은 개별 객체 설명이 프레임 전체로 유출되는 현상을 억제하고, 객체별 캡션이 해당 공간 영역에만 강하게 적용되도록 유도한다. WorldDirector는 이 메커니즘을 통해 다중 동적 객체에 대한 정교한 텍스트 기반 제어를 달성한다.
