汽车行业深度报告：AI系列深度18期，生成智能如何引入Transformer？.pdf

全球生成式视觉技术正经历从对抗生成（GAN）向去噪生成（Diffusion）的范式更替，而Transformer架构则通过渐进式渗透成为工程化骨干。本报告复盘了2013年以来生成式视觉的发展历程，将其划分为VAE/GAN奠基、GAN主导高真实感生成、扩散复兴与理论统一、文生图爆发以及DiT与视频多模态扩展五个阶段。

报告深入分析了GAN路线的结构性局限，包括训练不稳定、模式崩溃及语义控制弱等问题，指出这些局限为扩散模型的兴起留出空间。扩散模型通过将生成过程转化为稳定的监督去噪问题，并在潜空间中结合交叉注意力机制，有效解决了上述痛点，成为当前文生图的主流范式。

在此基础上，报告详细拆解了Transformer融入图像生成的四个环节：首先作为自回归序列生成器证明图像可token化；其次作为文本编码器与注入机制，使自然语言成为生成控制接口；随后在DiT模型中替换U-Net成为扩散骨干，接入规模化路线；最后作为统一多模态表示支撑视频与时空扩展。结论强调，本轮变革中Diffusion是生成范式的主角，Transformer则是骨干升级与条件控制的关键，二者结合推动了生成式视觉向多模态与世界模拟方向演进。