探索

潜在扩散把感知压缩与语义生成拆开，使高分辨率图像合成的算力成本远低于像素空间扩散。生成式图像因此第一次具备真正可普及的训练与部署门槛。

ViT 表明卷积并非视觉识别的必要条件：当预训练规模足够时，纯注意力机制也能学到有效表征。它把图像切成 patch 当作 token，用标准 Transformer 编码器完成分类。

DDPM 用「先加噪再学会去噪」替代 GAN 式对抗训练，以更稳的优化和更好的分布覆盖做生成。它把扩散概率模型与去噪分数匹配对齐，通过反转加噪过程实现高质量图像合成。

ResNet 指出深层网络的退化主要来自优化路径而非深度本身，并通过恒等捷径使残差学习可行。该结构让极深网络变得可训练，并成为后来各类架构的默认骨架。

GAN 通过生成器与判别器的对抗训练，让模型学习生成「像真的」样本，而不是最大化显式似然。它以隐含密度绕开配分函数，并深刻影响了后续生成建模与对抗学习路线。

AlexNet 表明，更深的卷积网络配合 GPU 训练可以在大规模视觉识别上取得决定性优势。它把端到端卷积学习推成计算机视觉的主流路线。