闻乐 发自 凹非寺

量子位 | 公众号 QbitAI

前脚谢赛宁刚宣告VAE在图像生成领域退役，后脚清华与快手可灵团队也带着无VAE潜在扩散模型SVG来了。

该方法实现了在训练效率上62倍、生成速度上35倍的提升。

VAE为何被接连抛弃？主要还是因为语义纠缠的缺陷——语义特征都放在同一个潜空间，调一个数值就会“牵一发而动全身”，比如只想改变猫的颜色，结果体型、表情都跟着变。

和谢赛宁团队极简复用预训练编码器、改造DiT架构，专注于生成性能的RAE不同，SVG通过语义+细节双分支+分布对齐，实现了多任务通用。

下面具体来看。

主动构建语义与细节融合的特征空间

在传统的「VAE+扩散模型」图像生成范式中，VAE的核心作用是将高分辨率图像压缩为低维的潜空间特征（可以理解为图像的简化代码），供后续扩散模型学习生成逻辑。

但这样会使不同类别、不同语义的图像特征会混乱地交织在一起，比如猫和狗的特征边界模糊不清等。

直接导致两个问题：

• 一是扩散模型训练效率极低，需要数百万步迭代才能勉强理清特征逻辑；

• 二是生成过程繁琐，往往需要经过几十甚至上百步采样才能输出清晰图像。

面对VAE的困境，谢赛宁团队的RAE技术选择了极致聚焦生成的思路。直接复用DINOv2、MAE等成熟的预训练编码器，不额外修改编码器结构，仅通过优化解码器来还原图像细节，同时针对性地改造扩散模型架构。

最终实现了生成效率与质量的跨越式提升，简单说就是把重心全放在了“把图生成得又快又好”上。

而清华&快手可灵团队的SVG技术，则走了兼顾生成与多任务通用的路线，核心差异就在于对特征空间的构建逻辑上。

RAE是直接复用预训练特征，SVG 则是主动构建语义与细节融合的特征空间。

具体来看，SVG选择以DINOv3预训练模型作为语义提取器。

原因是DINOv3经过大规模自监督学习，能够精准捕捉图像的高层语义信息，让猫、狗、汽车等不同类别的特征边界能够清晰可辨，从根源上解决了语义纠缠问题。

但团队也发现，DINOv3提取的特征偏重于宏观语义，会丢失颜色、纹理等高频细节，因此又专门设计了一个轻量级的残差编码器来进行细节补充，针对性地学习这些被忽略的细节信息。

而为了让「语义」和「细节补充」能够完美融合，SVG还加入了关键的分布对齐机制。

这一机制通过技术手段调整残差编码器输出的细节特征，使其在数值分布上与DINOv3的语义特征完全匹配，避免细节信息扰乱语义结构。

实验数据也印证了这一机制的重要性。去掉分布对齐后，SVG生成图像的FID值（衡量生成图像与真实图像相似度的核心指标，数值越低越优）从6.12升至9.03，生成质量大幅下滑。

实验结果显示，SVG在生成质量、效率、多任务通用性上全面超越传统VAE方案。

训练效率方面，在ImageNet 256×256数据集上，SVG-XL模型仅训练80个epoch，在无分类器引导时FID达6.57，远超同规模基于VAE的SiT-XL（22.58）；如果延长训练至1400个epoch，FID可低至1.92，接近当前顶级生成模型水平。

推理效率方面，消融实验中，5步采样时，SVG-XL的gFID为12.26，而SiT-XL（SD-VAE）为69.38、SiT-XL（VA-VAE）为74.46。这表明在较少的采样步数下，SVG-XL就能达到较好的生成质量。

不仅是生图，SVG的特征空间继承了DINOv3的能力，可直接用于图像分类、语义分割、深度估计等任务，且无需微调编码器。例如，在ImageNet-1K分类任务中Top-1精度达到81.8%，与原始DINOv3几乎一致；在ADE20K语义分割任务中mIoU达46.51%，接近专门的分割模型。

团队介绍

团队由郑文钊担任项目负责人，目前是加州大学伯克利分校博士后。此前，他在清华大学自动化系获博士学位，研究集中在人工智能和深度学习领域。

同样来自清华自动化系的史明磊和王皓霖目前均在攻读博士学位，研究重点为多模态生成模型。

其中，史明磊透露自己还在创办一家专注于人工智能应用的公司。

△从左到右：郑文钊、史明磊、王皓霖

Ziyang Yuan、Xiaoshi Wu、Xintao Wang、Pengfei Wan则来自快手可灵团队。

其中，Pengfei Wan是快手可灵视频生成模型负责人。

从谢赛宁团队的RAE到清华快手的SVG，尽管技术路线各有侧重，但从两者的突破可以看出，预训练视觉模型的特征空间，或许已经具备了替代VAE的能力。

论文地址：https://arxiv.org/abs/2510.15301

代码地址：https://github.com/shiml20/SVG