隐空间的演化本质:从 GAN 到扩散

Ludovica Schaerf

隐空间的演化本质:从 GAN 到扩散

机器学习 2025-11-11 v2 计算机视觉与模式识别计算机与社会

作者: Ludovica Schaerf

摘要

本文考察了生成式视觉模型中内部表征的演化本质,聚焦于从 GAN 和 VAE 向扩散架构的概念和技术转变。借鉴 Beatrice Fazi 对合成作为分布式表征的 amalgamation 的论述,我们提出一种区分:严格意义上的 "合成"(strict synthesis),其中紧凑的隐空间完全决定生成过程;以及广义合成 (synthesis in a broad sense),该概念特征于其表征劳动分布在各层面的模型。通过对模型架构和针对性实验设置的深入解读,我们展示扩散模型如何在表征上碎片化,从而挑战统一内部空间的假设。通过将这些发现置于媒体理论框架内并批判性地参与诸如隐空间和柏拉图表征假设等隐喻,我们主张重新理解生成式 AI:不应将其视为内容的直接合成,而应视为专门化过程的涌现配置。

关键词

生成模型隐空间 GAN 扩散模型表征理论

引用

@article{arxiv.2510.17383,
  title  = {The Evolving Nature of Latent Spaces: From GANs to Diffusion},
  author = {Ludovica Schaerf},
  journal= {arXiv preprint arXiv:2510.17383},
  year   = {2025}
}

备注

Presented and published at Ethics and Aesthetics of Artificial Intelligence Conference (EA-AI'25)

隐空间的演化本质:从 GAN 到扩散

摘要

关键词

引用

备注

相关论文