前言：本篇博客简要介绍不同生成模型架构的图像生成原理，主要包括AutoEncoder、GAN 和 Diffusion Models 三类。

---

AutoEocoder（自编码器）

AutoEncoder主要用于图像重建任务，是典型的Encoder-Decoder架构。

生成原理：图像 $x$ 首先经由 Encoder 编码成 $latent$，然后$latent$送入Decoder得到重建图像。

VAE（Variational Autoencoder，变分自编码器）

VAE是AutoEncoder的变体，旨在提升AutoEncoder的图像生成能力，因此对于训练完毕的VAE，可以直接使用其Decoder生成图像。

生成原理：随机生成噪声向量 $latent$ 送入Decoder即可生成图像。

---

GAN（Generative Adversarial Network，生成对抗网络）

GAN（Generative Adversarial Network，生成对抗网络）是一种生成模型，由 生成器（Generator） 和 判别器（Discriminator） 构成，生成器负责生成图像，判别器负责区分真图像与生成图像。训练过程中，判别器对生成图像与真实图像进行判别，生成器根据判别结果不断优化，从而生成逼真的图像。两者通过对抗训练提升生成效果。

生成原理：随机生成噪声向量 $latent$（通常服从标准正态分布）作为输入送入生成器，生成器输出图像。

---

Diffusion Model（扩散模型）

Diffusion Model（扩散模型）是一种基于逐步去噪生成图像的概率模型，通过学习数据分布的反向扩散过程来生成图像。

生成原理：首先从标准正态噪声图像开始，经过训练好的去噪网络（通常是 U-Net 结构）逐步迭代去噪，最终得到高质量图像。生成过程可以视作“从纯噪声到图像”的逐步逆扩散过程。

Latent Diffusion Model（LDM，潜空间扩散模型）

LDM 是 Diffusion Model 的一种变体，将扩散过程放在 潜在空间（latent space） 而非原始像素空间，从而大幅降低计算开销，同时保持生成图像质量。

训练过程：原始图像先通过 AutoEncoder 的 Encoder 映射到潜在向量空间，然后在潜在空间中进行逐步扩散/去噪训练，学习潜在向量的分布。有些训练会将重建的潜向量通过 Decoder 映射回图像空间，计算像素级重建损失，但核心训练是潜在空间去噪。

生成原理：生成图像时，先在潜在空间中选取随机噪声向量开始迭代去噪，得到潜在向量（和随机噪声的维度相同），再通过 Decoder 映射回像素空间得到最终图像。

特点：相比像素空间扩散，LDM 计算更高效，同时可以更容易地结合文本、图像等条件生成图像。

根据生成任务的类型，DM 提供两种不同的输入方式：

模式	输入	随机噪声	条件	Encoder	Decoder
Text-to-Image	文本 prompt	√	文本	✗	√
Image-to-Image	参考图像 (+可选文本)	√（加在潜向量上）	图像 / 文本	√	√