MIDI est une technique innovante de génération de scènes 3D à partir d'images. Elle utilise un modèle de diffusion multi-instances pour générer directement à partir d'une seule image plusieurs instances 3D ayant des relations spatiales précises. Le cœur de cette technologie réside dans son mécanisme d'attention multi-instances, qui permet de capturer efficacement les interactions entre les objets et la cohérence spatiale, sans nécessiter de traitement complexe en plusieurs étapes. MIDI offre d'excellents résultats dans le domaine de la génération de scènes à partir d'images, et convient aux données synthétiques, aux données de scènes réelles et aux images de scènes stylisées générées par des modèles de diffusion texte-image. Ses principaux avantages sont son efficacité, sa haute fidélité et sa grande capacité de généralisation.