图像生成彻底告别VAE像分类器那样训练生成模型

近年来，基于扩散模型的图像生成技术发展迅猛，催生了Stable Diffusion、Midjourney等一系列强大的文生图应用。然而，当前主流的训练范式普遍依赖一个核心组件——变分自编码器（VAE），这也带来了长久以来困扰研究者们的几个问题：

- 训练复杂性：VAE旨在将高维图像压缩至低维隐空间，并能从中重建图像。但其训练过程需要在压缩率和重建质量之间取得精妙平衡，本身就极具挑战。

- 高昂的微调成本：当需要在新的领域（域外数据集）上微调生成模型时，如果预训练的VAE在该领域表现不佳，则必须连同生成模型一起微调，这无疑会显著增加训练成本和开发周期。

为了从根本上解决VAE带来的诸多限制，EPG中提出通过自监督预训练（SSL Pre-training）与端到端微调（End-to-End Fine-tuning）相结合的方式，彻底去除了生成模型对VAE的依赖。