DALL-E三代顺了一遍，框架本身不难，难的是训练和优化那堆细节。前置的VAE、VQVAE、VQGAN这条离散化表示的线得先懂，想清楚为什么把图像压成离散token、为什么分阶段生成，再看架构图就顺了。别一上来硬啃论文。