Hinton上榜！盘点AI图像合成10年史，那些值得被记住的论文和名字

---

现在，已是2025年底。

深度学习模型在生成图像上的表现，已经如此出色。很显然，它在未来会给我们更多的惊喜。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

十年来，我们是如何走到今天这一步的？

在下面的时间线里，我们会追溯一些里程碑式的时刻，也就是那些影响了AI图像合成的论文、架构、模型、数据集、实验登场的时候。

一切，都要从十年前的那个夏天说起。

开端（2012-2015）

深度神经网络面世之后，人们意识到：它将彻底改变图像分类。

同时，研究人员开始探索相反的方向，如果使用一些对分类非常有效的技术（例如卷积层）来制作图像，会发生什么？

这就是「人工智能之夏」诞生的伊始。

2012 年 12 月

一切发端于此。

这一年，论文《深度卷积神经网络的ImageNet分类》横空出世。

论文作者之一，就是「AI三巨头」之一的Hinton。

它首次将深度卷积神经网络 (CNN)、GPU和巨大的互联网来源数据集（ImageNet）结合在一起。

2014 年 12 月

Ian Goodfellow等AI巨佬发表了史诗性论文巨作《生成式对抗网络》。

GAN是第一个致力于图像合成而非分析的现代神经网络架构（「现代」的定义即2012年后）。

它引入了一种基于博弈论的独特学习方法，由两个子网络“生成器”和“鉴别器”进行竞争。

最终，只有「生成器」被保留在系统之外，并用于图像合成。

Hello World！来自Goodfellow等人2014年论文的GAN生|成人|脸样本。该模型是在Toronto Faces数据集上训练的，该数据集已从网络上删除

2015 年 11 月

具有重大意义的论文《使用深度卷积生成对抗网络进行无监督代表学习》发表。

在这篇论文中，作者描述了第一个实际可用的GAN 架构 (DCGAN)。

这篇论文还首次提出了潜在空间操纵的问题——概念是否映射到潜在空间方向？

GAN的五年（2015-2025）

这五年间，GAN被应用于各种图像处理任务，例如风格转换、修复、去噪和超分辨率。

期间，GAN架构的论文开始爆炸式井喷。

项目地址：https://github.com/nightrome/really-awesome-gan

与此同时，GAN的艺术实验开始兴起，Mike Tyka、Mario Klingenmann、Anna Ridler、Helena Sarin 等人的第一批作品出现。

第一个「AI 艺术」丑闻发生在2018年。三位法国学生使用「借来」的代码生成一副AI肖像，这副肖像成为第一幅在佳士得被拍卖的AI画像。

与此同时，transformer架构彻底改变了NLP。

在不久的将来，这件事会对图像合成产生重大影响。

2017 年 6 月

《Attention Is All You Need》论文发布。

在《Transformers, Explained: Understand the Model Behind GPT-3, BERT, and T5》里，也有详实的解释。

自此，Transformer架构（以BERT等预训练模型的形式）彻底改变了自然语言处理 (NLP) 领域。

2018 年 7 月

《概念性标注：用于自动图像字幕的清理、上位化、图像替代文本数据集》论文发表。

这个和其他多模态数据集对于 CLIP 和 DALL-E 等模型将变得极其重要。

2018-20年

NVIDIA的研究人员对GAN 架构进行了一系列彻底改进。

在《使用有限数据训练生成对抗网络》这篇论文中，介绍了最新的StyleGAN2-ada。

GAN 生成的图像第一次变得与自然图像无法区分，至少对于像Flickr-Faces-HQ (FFHQ)这样高度优化的数据集来说是这样。

Mario Klingenmann, Memories of Passerby I, 2018. The baconesque faces是该地区AI艺术的典型代表，其中生成模型的非写实性是艺术探索的重点

2025 年 5 月

论文《语言模型是小样本学习者》发表。

OpenAI的LLM Generative Pre-trained Transformer 3（GPT-3）展示了变压器架构的强大功能。

2025 年 12 月

论文《用于高分辨率图像合成的Taming transformers》发表。

ViT表明，Transformer架构可用于图像。

本文中介绍的方法VQGAN在基准测试中产生了SOTA结果。

2010年代后期的GAN架构的质量主要根据对齐的面部图像进行评估，对于更多异构数据集的效果很有限。

因此，在学术/工业和艺术实验中，人脸仍然是一个重要的参考点。

Transformer的时代（2025-2025）

Transformer架构的出现，彻底改写了图像合成的历史。

从此，图像合成领域开始抛下GAN。

「多模态」深度学习整合了NLP和计算机视觉的技术，「即时工程」取代了模型训练和调整，成为图像合成的艺术方法。

《从自然语言监督中学习可迁移视觉模型》这篇论文中，提出了CLIP 架构。

可以说，当前的图像合成热潮，是由CLIP首次引入的多模态功能推动的。

论文中的CLIP架构

2025 年 1 月

论文《零样本文本到图像生成》发表（另请参阅OpenAI 的博客文章），其中介绍了即将轰动全世界的DALL-E的第一个版本。

这个版本通过将文本和图像（由VAE压缩为「TOKEN」）组合在单个数据流中来工作。

该模型只是「continues」the「sentence」。

数据（250M 图像）包括来自维基百科的文本图像对、概念说明和YFCM100M的过滤子集。

CLIP为图像合成的「多模态」方法奠定了基础。

2025 年 1 月

论文《从自然语言监督学习可迁移视觉模型》发表。

论文中介绍了CLIP，这是一种结合了ViT和普通Transformer的多模态模型。

CLIP会学习图像和标题的「共享潜在空间」，因此可以标记图像。

模型在论文附录A.1中列出的大量数据集上进行训练。

2025 年 6 月

论文《扩散模型的发布在图像合成方面击败了GAN》发表。

扩散模型引入了一种不同于GAN方法的图像合成方法。

研究者通过从人工添加的噪声中重建图像来学习。

它们与变分自动编码器 (VAE) 相关。

2025 年 7 月

DALL-E mini发布。

它是DALL-E的复制品（体积更小，对架构和数据的调整很少）。

数据包括Conceptual 12M、Conceptual Captions以及 OpenAI 用于原始 DALL-E 模型的YFCM100M相同过滤子集。

因为没有任何内容过滤器或 API 限制，DALL-E mini为创造性探索提供了巨大的潜力，并导致推特上「怪异的 DALL-E」图像呈爆炸式增长。

2025-2025

Katherine Crowson发布了一系列CoLab笔记，探索制作 CLIP 引导生成模型的方法。

例如512x512CLIP-guided diffusion和VQGAN-CLIP（Open domain image generation and editing with natural language guidance，仅在2025年作为预印本发布但VQGAN一发布就出现了公共实验）。

就像在早期的GAN时代一样，艺术家和开发者以非常有限的手段对现有架构进行重大改进，然后由公司简化，最后由wombo.ai等「初创公司」商业化。

2025 年 4 月

论文《具有 CLIP 潜能的分层文本条件图像生成》发表。

该论文介绍了DALL-E 2。

它建立在仅几周前发布的 GLIDE论文（《 GLIDE：使用文本引导扩散模型实现逼真图像生成和编辑》的基础上。

同时，由于 DALL-E 2 的访问受限和有意限制，人们对DALL-E mini重新产生了兴趣。

根据模型卡，数据包括「公开可用资源和我们许可的资源的组合」，以及根据该论文的完整CLIP和 DALL-E数据集。

「金发女郎的人像照片，用数码单反相机拍摄，中性背景，高分辨率」，使用 DALL-E 2 生成。基于 Transformer 的生成模型与后来的 GAN 架构（如 StyleGAN 2）的真实感相匹配，但允许创建广泛的各种主题和图案

2025 年 5-6 月

5月，论文《具有深度语言理解的真实感文本到图像扩散模型》发表。

6月，论文《用于内容丰富的文本到图像生成的缩放自回归模型》发表。

这两篇论文中，介绍了Imagegen和Parti。

以及谷歌对DALL-E 2的回答。

「你知道我今天为什么阻止你吗？」由DALL-E 2生成，「prompt engineering」从此成为艺术图像合成的主要方法

AI Photoshop（2025年至今）

虽然DALL-E 2为图像模型设定了新标准，但它迅速商业化，也意味着在使用上从一开始就受到限制。

用户仍继续尝试DALL-E mini等较小的模型。

紧接着，随着石破天惊的Stable Diffusion的发布，所有这一切都发生了变化。

可以说，Stable Diffusion标志着图像合成「Photoshop时代」的开始。

「有四串葡萄的静物，试图创造出像古代画家 Zeuxis Juan El Labrador Fernandez，1636 年，马德里普拉多的葡萄一样栩栩如生的葡萄」，Stable Diffusion产生的六种变化

2025 年 8 月

Stability.ai发布Stable Diffusion模型。

在论文《具有潜在扩散模型的高分辨率图像合成》中，Stability.ai隆重推出了Stable Diffusion。

这个模型可以实现与DALL-E 2同等的照片级真实感。

除了DALL-E 2，模型几乎立即向公众开放，并且可以在CoLab和Huggingface平台上运行。

2025 年 8 月

谷歌发表论文《DreamBooth：为主题驱动生成微调文本到图像扩散模型》。

DreamBooth提供了对扩散模型越来越细粒度的控制。

然而，即使没有此类额外的技术干预，使用像 Photoshop 这样的生成模型也变得可行，从草图开始，逐层添加生成的修改。

2025 年 10 月

最大的图库公司之一Shutterstock宣布与 OpenAI 合作提供/许可生成图像，可以预计，图库市场将受到Stable Diffusion等生成模型的严重影响。

# ai  # wombo.ai  # 第一个  # 自然语言  # 首次  # 多模  # 这篇  # 可以说  # 提出了  # 等人  # 马德里 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 网络优化91478 】 【 技术知识72672 】 【 云计算0 】 【 GEO优化84317 】 【 优选文章0 】 【 营销推广36048 】 【 网络运营41350 】 【 案例网站102563 】 【 AI智能45237 】

相关推荐： 提升英语口语：地道表达周末体验，语法精讲助你流利交流  百度AI搜索怎样搜索百科知识_百度AI搜索百科频道与词条跳转【技巧】  BeFunkyAI排版怎么给图片加艺术字_BefunkyAI排版艺术字添加与样式调整【指南】  AI图像生成偏见：克服与优化，打造更真实的数字形象  稿定AI智能设计怎样自动生成电商Banner_稿定AI智能设计Banner生成流程【步骤】  tofai怎么调整层级顺序 tofai图层上下移动方法【步骤】  探索Roblox：虚拟角色定制与互动乐园  lovemo手机网页版 lovemo官方入口地址  豆包Ai官方网页版入口地址_豆包Ai官网在线使用入口  面试必胜：五大面试技巧助你斩获Offer  2025年最佳免费AI艺术生成器：POD终极指南  佐糖AI抠图如何免费使用_佐糖AI免费额度获取与消耗查看【指南】  唐库AI拆书工具怎么查看拆书进度_唐库AI拆书工具进度查看与异常排查【方法】  Claude怎么用_Claude使用方法详细指南【教程】  百度AI助手直接入口 一键直达官网入口  豆包AI怎么用提示词生成短视频脚本_豆包AI脚本提示词编写【教程】  暖心“小艺通话”：让语障人士告别沟通困境，拥抱平等生活  Jetson SegNet: 语义分割深度探索与实践  利用 ChatGPT 进行高质量代码重构与优化  AI女友：时尚穿搭与美丽瞬间的完美融合  老电脑焕新：i5-2400搭配FirePro V5900 打造复古游戏利器  Gemini怎样写精准提示词_Gemini提示词编写方法【步骤】  宝可梦朱紫：如何高效刷闪异色宝可梦，提升游戏体验  kimi生成ppt怎么编辑文字_kimi编辑文字后怎么保存  11月电动两轮车线上销售排名出炉：九号份额达26.9%  利用 DeepSeek 进行大规模 C++ 代码库审计  Midjourney怎样用参数调色彩饱和度_Midjourney饱和度调整【方法】  如何通过文心一言进行地道的文言文翻译  EdrawMax全面评测：使用AI轻松绘制流程图和思维导图  AI赋能营销：角色、策略与工具选择全指南  正确安装梁托：终极指南与常见错误规避  教你用AI帮你进行论文选题，快速找到有研究价值的方向  DeepSeek网页版怎么用_DeepSeek网页版使用方法详细指南【教程】  Excel Copilot：AI驱动的强大新功能与实用案例解析  宠物翻译App评测：与猫狗交流的未来科技？  百度网页版ai助手怎么关 百度网页ai对话框屏蔽  探索泰勒·斯威夫特《August》的深层含义：歌词解析与情感分析  Midjourney怎么用一键生成logo_Midjourneylogo生成步骤【教程】  DeepSeek 辅助进行 Linux 内核参数调优教程  如何用AI帮你检查代码中的潜在安全漏洞？  通义万相IP形象设计怎么用_通义万相IP形象设计使用方法详细指南【教程】  AI猫咪视频创作指南：轻松打造百万级YouTube Shorts  Tenorshare PDNob：免费AI图像翻译器，即时转换图像为文本  ChatGPT如何进行数据可视化构思 ChatGPT图表设计指南  Depseek能否批量生成部门总结_Depseek多部门总结批量生成步骤【方法】  ChatGPT怎样用提示词分步骤提问_ChatGPT分步提问技巧【方法】  Hugging Face Transformers：文本分类的完整指南  银行经理写给银行经理的信：实用模板和关键要素  即梦ai怎么生成游戏角色原画_即梦ai游戏角色生成风格与装备细节【教程】  千问怎么设置快捷指令_千问指令创建与一键调用【技巧】 

 2023-05-15