在近期的科技界，VAE（变分自编码器） 正在经历被逐步淘汰的尴尬局面，随着清华大学与快手可灵团队的合作，推出了一款名为 SVG(无 VAE 潜在扩散模型) 的新型生成模型。此次创新不仅在训练效率上实现了 6200% 的惊人提升，而且在生成速度上更是达到了 3500% 的飞跃。
VAE 在图像生成领域的衰退，主要源于其存在的 「语义纠缠」 问题。也就是说，当我们尝试仅仅改变图像中某一特征 （如猫的颜色） 时，其他特征 (如体型、表情) 往往也会受到影响，导致生成的图像不够精准。为了解决这个问题，清华与快手的 SVG 模型采取了不同的策略，主动构建了一个融合语义与细节的特征空间。
在 SVG 模型的设计中，团队首先使用 DINOv3 预训练模型作为语义提取器，该模型经过大规模的自监督学习，能够有效识别和分离不同类别的特征，解决了传统 VAE 模型中的语义混乱。此外，为了补充细节，团队还特别设计了一个轻量级的残差编码器，确保细节信息不会与语义特征相冲突。关键的分布对齐机制则进一步增强了这两种特征的融合，保证了生成图像的高质量。
实验结果表明，SVG 模型在生成质量和多任务通用性方面，全面超越了传统的 VAE 方案。在 ImageNet 数据集上，SVG 模型在仅训练 80 个周期时，FID 值 （衡量生成图像与真实图像相似度的指标） 达到 6.57，远超同规模的 VAE 模型; 而在推理效率上，SVG 模型也显示出卓越的性能，在较少的采样步骤下即可生成清晰图像。此外，SVG 模型的特征空间还可直接用于图像分类、语义分割等多种视觉任务，无需额外微调，大大提高了应用的灵活性。
清华与快手的这一新技术不仅为图像生成领域带来了革命性的变化，更有望在多模态生成任务中展现出强大的潜力。
论文地址：https://arxiv.org/pdf/2510.15301
