MIDI es una tecnología innovadora de generación de escenas 3D a partir de imágenes. Utiliza un modelo de difusión multi-instancia para generar directamente varias instancias 3D con relaciones espaciales precisas a partir de una sola imagen. El núcleo de esta tecnología es su mecanismo de atención multi-instancia, que puede capturar eficazmente la interacción y la coherencia espacial entre los objetos sin necesidad de un complejo procesamiento de múltiples pasos. MIDI ofrece un rendimiento excelente en el campo de la generación de escenas a partir de imágenes, siendo adecuado para datos sintéticos, datos de escenas reales e imágenes de escenas estilizadas generadas por modelos de difusión de texto a imagen. Sus principales ventajas incluyen la eficiencia, la alta fidelidad y una potente capacidad de generalización.