EMMA ist ein neuartiges Bildgenerierungsmodell, das auf dem hochmodernen Text-zu-Bild-Diffusionsmodell ELLA basiert. Es kann multimodale Eingaben verarbeiten und integriert Text- und zusätzliche Modalitätsinformationen effektiv durch ein innovatives Design für multimodale Merkmalsverknüpfung. Das Modell enthüllt durch das Einfrieren aller Parameter des ursprünglichen T2I-Diffusionsmodells und die Anpassung nur einiger zusätzlicher Schichten die interessante Eigenschaft vorab trainierter T2I-Diffusionsmodelle, heimlich multimodale Eingaben zu verarbeiten. EMMA lässt sich einfach an verschiedene bestehende Frameworks anpassen und ist ein flexibles und effizientes Werkzeug zur Generierung personalisierter und kontextbezogener Bilder und sogar Videos.