图像生成这几代技术，其实是一条接力线：VAE、GAN、Diffusion，后一代都不是把前一代推翻重来。
VAE 的路子是先把图编码进隐空间，再从隐空间重建出来。训练稳、可控，这是它的长处；短板是生成的图偏糊，细节撑不起来。可以理解成它擅长记住“大概长什么样”，但没法把每根头发都画清楚。
GAN 换了个思路，让生成器和判别器对抗博弈，一个造假一个挑刺，清晰度就这么被逼上去了。代价也很明显：训练极不稳定，容易模式崩溃，调参跟玄学一样。
Diffusion 是真正把画质和多样性同时做上去的那一代。它从纯噪声出发，一步步去噪还原，思路上更像逐步雕刻，一刀一刀往下修。现在主流生图基本都在扩散这条路上，再叠 latent、加各种条件控制。
留意一下那个 latent——隐空间这种老思路到今天还在被复用，这就是我说的接力。
为啥值得花时间捋这条线？理解了来龙去脉，再看现在的采样器、调度器那些参数，就知道它们管的是扩散过程里哪一环，不至于纯背概念。
