东吴证券：汽车行业深度报告：AI系列深度08期：GAN与Diffusion两类生成范式有何差异？

投资要点 生成模型的核心目标，是学习数据背后的整体分布，并据此生成此前不存在的新样本。与判别模型负责识别和分类不同，生成模型回答的是如何从噪声、潜变量或条件输入中生成图像、视频、声音和动作。GAN与Diffusion是过去十余年最具代表性的两条路线，前者以生成器和判别器的对抗博弈为核心，后者以加噪和去噪过程为核心。 生成模型演进可分为五条脉络：VAE代表显式概率和潜变量建模，GAN点燃高真实感图像生成，自回归路线把图像当作token序列逐步预测，DDPM重塑扩散范式，得分匹配与流匹配进一步把扩散、得分模型和连续生成路径纳入统一视角。2022年后，扩散与Transformer结合的DiT证明生成路线也可接入规模化骨干，并支撑图像、视频和世界模型方向发展。 GAN与Diffusion的路线差异集中在四个维度：采样速度、训练稳定性、样本多样性和可控性。GAN可一步生成、图像锐利，在实时生成和特定垂类中仍有价值，但训练不稳定、模式崩溃和规模化难度较高；Diffusion通过多步去噪把生成问题转化为更稳定的回归学习，分布覆盖更全、条件控制更强，但推理慢、算力开销大。 当前图像和视频生成的通用主线