IP-Adapter es un adaptador ligero que permite la funcionalidad de indicaciones de imagen para modelos de difusión de texto a imagen preentrenados. Su diseño clave es un mecanismo de atención cruzada desacoplado, que separa las capas de atención cruzada entre características de texto e imagen. IP-Adapter no solo es compatible con las herramientas controlables existentes, sino que también permite la generación de imágenes multimodales junto con indicaciones de texto. En comparación con otros métodos existentes, IP-Adapter no solo ofrece una mejor calidad de imagen, sino que también genera imágenes que se ajustan mejor a las indicaciones multimodales.