论文阅读笔记——Prediction with Action: Visual Policy Learning via Joint Denoising Process

以前的 method 是输入视频输出视频或者输入视频和 action 学习 action，该方法认为 action，video 和 other condition 具有一定联系，所以一次性对所有的进行 joint denoise。
网络结构采用 Masked Multi-head Attention 关联不同模态，使用 DiT 的 backbone。