图像生成

这篇 2018 年的论文提出基于风格的 GAN 生成器架构，将高层属性与随机变化分离，并支持尺度特定控制，在分布质量、插值和解耦上取得改进。

2021 年的一篇论文，把扩散模型放到预训练自编码器的潜空间里运行，降低了高分辨率图像合成的算力，并用交叉注意力接受文本或边界框等条件。

Stability AI 于 2022 年 8 月 22 日公开发布的开放权重文生图模型，基于潜扩散，可在消费级显卡上运行，让本地生成图像变得容易获得。

深度伪造（deepfake）指用人工智能生成或修改的图像、视频和音频，属于合成媒体。「深度伪造」由「深度学习」与「假」组合而成，2017 年末出现后成为这类内容的通称。

CycleGAN 在没有配对样本的情况下学习两个图像域之间的转换，用对抗损失匹配目标分布，并加入循环一致性约束来限制映射。

2017 年的一篇论文提出渐进式增长训练法：生成器与判别器从低分辨率开始逐层加深，使 GAN 训练更稳定、图像质量与多样性更高。

这是 van den Oord、Vinyals 与 Kavukcuoglu 在 2017 年提出的 VQ-VAE：一种潜在编码为离散而非连续、先验由学习而非固定的生成模型，让无监督地学到有用表示成为可能。

Runway 是总部位于纽约的 AI 视频公司，2018 年成立，参与发布 Stable Diffusion，并推出 Gen 系列视频模型。2026 年 2 月融资 3.15 亿美元，估值 53 亿美元。

2018 年的论文，作者为 Andrew Brock 等，把生成对抗网络训练到当时最大规模，提出 BigGAN，刷新了类别条件图像合成的最好成绩。

Stability AI 是一家成立于 2019 年的英国生成式 AI 公司，2022 年因公开发布开放权重图像模型 Stable Diffusion 而广为人知，此后面临关于训练数据的版权诉讼。

扩散模型（diffusion models）学习逆转逐步加噪的过程，从噪声出发逐步去噪以生成图像。潜在扩散（latent diffusion）是 Stable Diffusion 的基础。

2020 年，Ho 等人训练 U-Net 逐步还原被加噪的图像，使扩散模型在图像生成上足以与 GAN 抗衡，也为 DALL-E 2、Stable Diffusion 等采用。

DALL·E 是 OpenAI 于 2021 年 1 月 5 日公布的文本生成图像模型，用 120 亿参数和 2.5 亿对图文数据训练，按文字描述逐个图像词元生成图片。

2021 年的一篇 OpenAI 论文：用单个 120 亿参数的自回归 Transformer，在 2.5 亿对图文数据上训练，即可根据文字生成图像，零样本评测下与领域专用模型相当。

Midjourney 是一家总部位于旧金山的独立研究实验室，运营同名图像生成服务。公司由 David Holz 创办并领导，从未接受外部融资，并卷入多起版权诉讼。

DALL·E 2 是 OpenAI 于2022年4月宣布的图像生成模型，支持图像变体和语言引导的编辑。其 API 于2026年5月关停。

Imagen 是 Google Research 于 2022 年 5 月发布的文本到图像扩散模型，它把冻结的大语言模型与扩散模型结合，并提出了 DrawBench 基准；Google 未公开发布其代码或演示。

Imagen 是一个用大型预训练语言模型编码提示词的文生图扩散模型，在 COCO 上取得 7.27 的零样本 FID，并提出 DrawBench 评测基准。

Midjourney 是由 Midjourney, Inc. 运营的 AI 图像生成服务。它于 2022 年 7 月 12 日通过 Discord 机器人开放公测，之后陆续加入网页界面、视频生成和新模型版本。

2022 年，Peebles 与 Xie 用 transformer 取代扩散模型的 U-Net 主干，证明效果随算力稳定提升，并在 ImageNet 上取得 2.27 FID。

爱诗科技（PixVerse）2023 年成立，是一家自研模型的 AI 视频生成公司，产品覆盖网页端、API 与智能体工具；2026 年 3 月的 C 轮融资使其成为独角兽。

2023 年 3 月成立的中国生成式人工智能公司，以文生视频模型 Vidu 知名，目前把工作分为世界生成模型与世界行动模型两条线。

Runway Gen-2 是 Runway 于 2023 年 3 月推出的多模态视频生成系统，能根据文字、图片或视频片段生成新视频，是最早面向公众商用的文生视频模型之一。

Midjourney V5 是 Midjourney 文生图模型的一个版本，2023 年 3 月 15 日以 alpha 形式发布，其后经过 5.x 多轮修订，并于 2023 年 12 月由 V6 接替。

SDXL 是 Stability AI 于 2023 年 7 月发布的开源文生图扩散模型：35 亿参数的基础模型加一个精修阶段，原生生成 1024×1024 图像；蒸馏版 SDXL Turbo 把生成压缩到一步。

DALL·E 3 是 OpenAI 的图像生成模型，2023 年 9 月 20 日公布，同年 10 月在 ChatGPT 中放出。它会先把用户的简短想法扩写成详细提示词再出图，后来被 GPT Image 取代。

Grok 是 xAI 的聊天助手，2023 年 11 月首次向美国小范围候补用户开放，后发展为涵盖搜索、图像、视频和编程智能体的一系列应用与模型。

Black Forest Labs（黑森林实验室）是德国弗莱堡的 AI 实验室，2024年创立，开发 FLUX 系列图像模型，2025年12月完成3亿美元 B 轮融资。

Stable Diffusion 3 由 Stability AI 于2024年2月22日预览发布，是一组参数从8亿到80亿不等的模型，结合了扩散 Transformer 与流匹配（flow matching）。

Apple Intelligence 是苹果的个人智能系统，2024 年 6 月 10 日在 WWDC 上宣布，首先用于 iOS 18 等系统。大部分任务在设备上运行，较大的请求交给私有云计算。

Runway 于 2024 年 6 月发布的视频生成模型，视频与图像联合训练，支持转场、关键帧等时间控制，后又加入 API、视频转视频和 Act-One 表演驱动。

FLUX.1 是 Black Forest Labs 于2024年8月1日发布的120亿参数文生图（text-to-image）模型系列，分 pro、dev、schnell 三个版本，dev 为开放权重。

xAI 于 2024 年 8 月发布的一对模型，以 beta 形式向 X 订阅用户开放，新增图像输入，公布基准成绩，后来公开了权重。

Step-Video-T2V 是阶跃星辰开源的文生视频模型，参数规模 300 亿。2025 年 2 月 17 日发布权重、代码、Turbo 版本和技术报告，采用 MIT 许可证。

OpenAI 于 2025 年 3 月 25 日在 ChatGPT 中发布的 GPT-4o 原生图像生成能力，取代 DALL·E 3，API 中名为 gpt-image-1，以准确渲染文字和精确遵循提示词为特点。

Runway Gen-4 是 Runway 于 2025 年 3 月 31 日发布的视频生成模型，能让角色、地点和物体在不同镜头间保持一致，依靠参考图和文本指令工作，无需针对每个项目单独训练。

FLUX.1 Kontext 是 Black Forest Labs 于 2025 年 5 月 29 日宣布的图像模型系列，可以同时以文字和图片为输入，进行生成与编辑。其开放权重的 dev 版本于 2025 年 6 月发布。

Nano Banana 是谷歌 Gemini 2.5 Flash Image 的昵称，2025 年 8 月 26 日发布，能融合多张图片、在多次编辑中保持人物一致，并按自然语言指令做局部修改。

Seedream 4.0 是字节跳动 Seed 团队于 2025 年 9 月发布的图像模型，把文生图、图像编辑和多图组合放进同一套架构，可输出 1K 至 4K 的原生高分辨率图像。

腾讯 2025 年 9 月开源的图像生成模型：原生多模态，用自回归的混合专家结构把图像理解与生成放进同一个框架。

FLUX.2 是 Black Forest Labs 于 2025 年 11 月 25 日发布的图像生成与编辑模型系列，包含托管版本与开放权重版本，支持最高 4 百万像素输出和最多 10 张参考图。

Vidu S1 是生数科技 2026 年 7 月发布的实时交互视频生成模型：它把语音指令当作控制输入，在普通消费级显卡上以 540p、最高 42 帧每秒持续生成，不因时长增加而模糊或漂移。

Vidu S2 是由两个模型组成的实时视频生成系统：S2-Avatar 实时生成 720p 的交互数字人，S2-Editing 对输入视频流做实时编辑，两者还探索了面向沉浸式显示的立体视图生成。

PixVerse R2 是 2026 年 9 月 22 日发布的实时世界模型，在 R1 基础上升级：它在用户身处其中时持续生成可漫游的世界，并在一次会话内保留状态。

埃马德·莫斯塔克（Emad Mostaque）是英国籍孟加拉裔前对冲基金经理，2019 年创立 Stability AI 并担任 CEO，直至 2024 年 3 月辞职。

2014年的一篇论文，由Mirza与Osindero提出条件生成对抗网络：把条件数据同时输入生成器和判别器，从而按类别标签生成MNIST数字等样本。

2018 年由 Diederik P. Kingma 与 Prafulla Dhariwal 发表的论文，提出以可逆 1x1 卷积为基础的生成流模型 Glow，在标准基准上提升了对数似然，并能高效地合成与操纵大尺寸图像。

内容溯源是附在文件里的来源与编辑记录，让别人能核查媒体从哪里来、经过了哪些改动。Adobe、Arm、BBC、Intel、Microsoft 和 Truepic 于 2021 年共同发起 C2PA 来制定这一标准。

Midjourney V1 是 Midjourney 在 2022 年 2 月发布的第一个图像生成模型，通过其 Discord 服务器上的机器人使用。它生成的图像抽象、带有绘画感，几个月内就被 V2 和 V3 取代。

Midjourney V3 是 Midjourney 的第三代模型，2022 年 7 月 25 日发布，靠基于用户行为的反馈回路大幅提升出图质量；赢得科罗拉多州博览会数字艺术奖的那幅作品就出自这一时期。

Midjourney V4 是 Midjourney 于 2022 年 11 月 5 日以 alpha 形式发布的第四代图像生成模型，也是该公司首批在 Google TPU 上训练的模型，图像质量较 V3 有明显提升。

Stable Diffusion 2 是 Stability AI 于 2022 年 11 月 24 日发布的开源文生图模型系列，采用新的 OpenCLIP 文本编码器，并附带超分辨率、深度引导与修复模型。

Runway Gen-1 是 2023 年 2 月推出的视频到视频扩散模型，能用文字或图片提示改写已有视频，同时保留原片结构，是最早一批投入商用的视频生成模型之一。

Amazon Titan 是亚马逊为 Amazon Bedrock 构建的基础模型系列，覆盖文本生成、嵌入和图像生成，2023 年发布，后来由 Amazon Nova 接替。

Stable Video Diffusion 是 Stability AI 于 2023 年 11 月 21 日发布的研究预览版图像转视频模型，可把一张静态图片生成为数秒短片。

谷歌第二代文生图模型，2023 年 12 月发布，最突出的特点是能在生成的图像里画出可读的文字和标志。

Midjourney V6 是 Midjourney 图像生成模型的一个版本，2023 年 12 月 21 日以 alpha 形式发布，从头训练历时九个月；其 6.1 更新于 2024 年 7 月推出。

谷歌在 2024 年 5 月 I/O 大会上宣布的文生图模型，谷歌称其为当时质量最高的图像生成模型，画面瑕疵更少，文字渲染也有改善。

混元 DiT（Hunyuan-DiT）是腾讯推出的开源文生图模型，对中文和英文提示词都有细粒度理解。2024 年的技术报告与模型权重均对外公开，人工评测中它超过多个开源模型，但落后于领先的闭源模型。

可图（Kolors）是快手于2024年7月6日发布的开源文生图模型，基于潜在扩散，主打中英文双语提示词理解。

Black Forest Labs 于 2024 年 10 月 2 日发布的闭源文生图模型，只通过 API 提供。官方称其出图速度是上一代的 6 倍，并曾在 Artificial Analysis 图像竞技场登上榜首。

Movie Gen 是 Meta 于 2024 年 10 月 4 日首次展示的一组媒体基础模型，涵盖视频生成、个性化视频、精确视频编辑和音频生成，发布时未公开提供。

Stability AI 于 2024 年 10 月推出的文生图模型系列：81 亿参数的 Large、4 步出图的 Large Turbo 和 25 亿参数的 Medium，按社区许可发布。

Janus-Pro 是 DeepSeek 于 2025 年 1 月 27 日发布的多模态模型，同一个模型既能看图生文，也能按文字生成图片，有 1B 和 7B 两个规模，是 Janus 的升级版。

Midjourney V7 是 Midjourney 的图像生成模型，2025 年 4 月 4 日以 alpha 版本向社区开放，是该公司第一个默认开启个性化的模型，也是第一个加入低成本、高速度草稿模式的模型。

Seedream 3.0 是字节跳动 Seed 团队的中英双语图像生成基础模型，在提示对齐、复杂中文字渲染、美学与原生 2K 输出上较 2.0 版有所改进，2025 年 9 月被 Seedream 4.0 接替。

Step1X-Edit 是 StepFun 开源的图像编辑模型：多模态语言模型读参考图与编辑指令，扩散解码器负责出图，发布时一并公开权重、推理代码和评测集 GEdit-Bench。

Imagen 4 是 Google 于 2025 年 5 月 20 日发布的文生图模型，最高输出 2K 分辨率，细节与文字排版有所改进，接入 Gemini 应用等产品。

Midjourney 于 2025 年 6 月 18 日发布首个视频模型 V1，能把一张已有的图片变成约 5 秒的短片，被公司定位为通向实时开放世界模拟的第一步。

Runway Aleph 是 Runway 于 2025 年 7 月推出的视频模型，能对输入视频增删或改造物体、生成场景的新角度、更换风格与光线，覆盖多种视觉任务。

Qwen 系列的图像生成模型，200 亿参数，2025 年 8 月以 Apache 2.0 协议开源，以在图像中渲染文字（尤其是中文）见长。

MAI-Image-1 是微软首个完全自研的图像生成模型，2025 年 10 月 13 日发布，同年 11 月 4 日起进入 Bing Image Creator 与 Copilot。

Nano Banana Pro（Gemini 3 Pro Image）是 Google 2025 年 11 月 20 日发布的图像生成模型，能在图中排文字，输出最高 4K。

Runway Gen-4.5 是 2025 年 12 月发布的视频生成模型，发布时位居 Artificial Analysis 文生视频排行榜第一，后加入原生音频与多镜头编辑。

Nano Banana 2 是 Google 的图像生成与编辑模型 Gemini 3.1 Flash Image，2026 年 2 月 26 日预览发布。

Midjourney V8 于 2026 年 3 月 17 日以 alpha 形式上线，出图速度约为此前的 5 倍，新增原生 2K 渲染的 --hd 模式，并改进了图中文字渲染。

MAI-Image-2 是微软 AI 的第二代文生图模型，2026 年 4 月 2 日在 Microsoft Foundry 与 MAI Playground 向开发者开放，生成速度更快，在光照、肤色与图内文字上表现更好。

GPT Image 2 是 OpenAI 于 2026 年 4 月 21 日发布的图像生成与编辑模型，同时名为 ChatGPT Images 2.0。

日日新 U1（SenseNova U1）是商汤科技 2026 年 4 月发布的开放权重多模态模型，采用 Apache 2.0 协议，不用独立的视觉编码器和 VAE 就能理解和生成图像。

Muse Image 与 Muse Video 是 Meta Superintelligence Labs 于 2026 年 7 月推出的首批媒体生成模型，其中 Muse Image 已上线。

日日新 U1.5 是商汤发布的开源权重模型，80 亿参数，用同一套网络完成图像理解、推理与原生 4K 生成，不依赖独立的视觉编码器或 VAE，以 Apache 2.0 许可开放。

潜在扩散论文的第一作者，该方法成为 Stable Diffusion 的基础；2024 年与 Andreas Blattmann、Patrick Esser 共同创办 Black Forest Labs，并担任 CEO。

大卫·霍尔茨是 Midjourney 的创始人。这家位于旧金山的独立研究实验室做出的文生图工具，是最为人所知的 AI 绘画产品之一。他此前还共同创办了手部追踪硬件公司 Leap Motion。

布拉特曼是潜空间扩散论文的第二作者，也是 Stable Diffusion 3 论文共同作者，2024 年共同创办 Black Forest Labs。

帕特里克·埃瑟研究图像与视频生成模型：他是潜在扩散论文的共同作者、Stable Diffusion 3 论文的第一作者，并于 2024 年共同创办 Black Forest Labs。

Midjourney V2 是 Midjourney 图像生成模型的第二个版本，2022 年 4 月 12 日发布，并在当年 7 月 V3 到来之前担任默认模型。官方后来把它描述为色彩浓烈、绘画感强，但连贯性较低。