📰 研报摘要
查看全文 ➔本文探讨了生成式视觉的本质及其发展脉络，将其演进划分为奠基、GAN、去噪扩散、文本驱动图像生成以及可控生成与视频扩展五个阶段。文章详细对比了 GAN 与 Diffusion 范式，指出 GAN 虽具有高真实感但训练不稳定且语义控制力弱，而 Diffusion 范式解决了稳定性与可控性问题，但面临采样速度慢和算力开销大的挑战。重点分析了 Transformer 在生成式视觉中的四阶段渗透路径：从最初的自回归序列生成器、文本条件编码器，到替换扩散模型骨干（DIT），最终成为统一多模态表示与时空建模骨干。结论认为，生成式视觉的性能提升是 Diffusion 范式优势与 Transformer 架构升级共同促成的结果，Transformer 在此扮演的是工程化骨干升级和提供可控接口的角色，而非范式本身的更替者。