想象你对着电脑描述"一只穿着宇航服的柴犬在月球上弹吉他"，几秒钟后，一幅精美的图像出现在屏幕上。这不是魔法，而是视觉生成模型的能力。
从 2014 年 GAN 的问世，到 2020 年扩散模型的崛起，再到今天 Midjourney、DALL·E、Stable Diffusion 等工具的普及，视觉生成已经成为人工智能最引人注目的领域之一。无论你是研究者还是从业者，理解这个领域的核心原理都将为你打开新的可能性。
视觉生成（Visual Generation）是计算机视觉的一个子领域，研究如何让机器创造出新的视觉内容（图像、视频、3D 等）。与识别任务（判断图片里有什么）不同，生成任务要求模型从零创造——或者基于某种条件（如文本描述）来创造。
"生成模型的本质是学习数据的概率分布，然后从中采样新的样本。"
简单来说，生成模型试图回答这个问题：真实世界中的图像是什么样的？一旦模型"理解"了真实图像的规律，它就能创造出看起来也像是真实世界产物的图像。
视觉生成领域经历了多次范式转移。目前主流的方法可归为四大类：
2014对抗训练速度快
核心思想：两个人工智能的"博弈"。一个画家（生成器）试图画出逼真的图像，一个鉴赏家（判别器）试图分辨真假。双方在对抗中共同进步。
比喻：就像假币制造者和鉴宝专家的博弈——制造者越来越精，鉴宝者越来越毒，最终假币几乎可以以假乱真。
代表：StyleGAN 系列（人脸生成质量极高）
优缺点：生成速度快（一次前向传播即可），但训练困难，容易出现"只会画猫"的模式坍缩问题。
2013概率模型隐空间
核心思想：将图像压缩到一个"隐空间"（Latent Space），在这个压缩的空间中进行操作。VAE 不仅学习压缩，还学习隐空间中的概率分布。
比喻：想象一个超级高效的"图像 ZIP 压缩器"，但它不仅能压缩/解压，还能在压缩后的空间里做数学运算，生成全新的图像。
代表：VQ-VAE（离散版本，被 DALL·E 采用）
优缺点：训练稳定，隐空间结构良好（可以做插值），但生成质量通常不如 GAN 锐利。
2020+当前主流高质量
核心思想：通过两个过程工作——先逐步给图像加噪声直到变成纯雪花屏（前向），再学习如何一步步去噪恢复图像（反向）。生成时，从纯噪声出发，经过多步去噪得到新图像。
比喻：就像雕塑家面对一块大理石，一点点去除多余部分，最终 revealing 出雕像。或者像照片显影——从空白的相纸上逐渐显现出图像。
代表：Stable Diffusion、DALL·E 2、Imagen
优缺点：生成质量极高，训练稳定，模式覆盖全面。但需要多步采样，生成速度较慢。
2020+序列生成高分辨率
核心思想：将图像看作一个像素（或图像块）的序列，像 GPT 生成文本一样，一个像素一个像素地生成图像。通常先使用 VQ-VAE 将图像转为离散 token，再用 Transformer 预测序列。
比喻：像画家一笔一笔地作画，每一笔都基于已经画好的部分。或者像填字游戏，逐个格子确定。
代表：DALL·E (v1)、Parti、ImageGPT
优缺点：可以生成非常高分辨率的图像，擅长复杂构图。但生成速度慢（要逐个 token），且早期质量不如扩散模型。
VAE 和 GAN 相继问世，开启了神经网络生成图像的时代。GAN 迅速成为主流，产生了大量变体。
StyleGAN 发布，GAN 生成的人脸几乎无法与真人区分。同时，BERT/GPT 展示了 Transformer 在序列建模上的强大能力。
DDPM 证明扩散模型可以生成高质量图像。DALL·E 展示了文本到图像的可能性。CLIP 建立了文本和图像的桥梁。
Stable Diffusion 开源，DALL·E 2 和 Midjourney 向公众开放，文本到图像生成进入大众视野。
ControlNet 实现精细控制，SDXL 提升分辨率，Flux 等新一代模型在质量上逼近商业产品。视频生成（Sora）成为新热点。
尽管视觉生成取得了惊人进展，但仍面临几个根本性挑战：
GAN 生成质量高但容易模式坍缩（缺乏多样性）；扩散模型覆盖全面但需要多步采样。如何在两者之间取得平衡仍是研究热点。
如何让模型精确遵循用户的意图？从文本描述到空间布局、风格、姿态的精细控制，是工业应用的核心需求。
扩散模型需要数十到数百步采样才能生成一张图像。如何加速？蒸馏、一致性模型、流匹配（Flow Matching）等新方向正在探索。
如何衡量生成图像的好坏？FID、IS 等自动指标与人类感知并不完全一致。美观度、语义一致性、多样性难以同时量化。
Lil'Log: Diffusion Models — 最清晰易懂的扩散模型讲解，配合大量可视化图示。
🔗 https://lilianweng.github.io/posts/2021-07-11-diffusion-models/
Stanford CS236: Deep Generative Models — 系统性课程，涵盖所有主要范式。
下一课我们将深入VAE 与概率生成基础——理解隐变量模型的核心思想，这是现代生成模型（包括扩散模型）的理论基石。