通过文字产生生成图片，或者通过将图片的某个区域扣出来mask，然后在mask区域结合输入文本产生新的图片...
输入连续的视频帧片段少则几百帧，多则几千帧，上万帧，通过视频帧片段将场景的三维结构和视图恢复出来，并能够在不同的视角看...
将图片输入，检测图片中是否出现目标物体，包括车，还有人，动物等，并将检测到的物体用放宽框出来，在顶点处打上置信度...
