东吴证券：汽车行业深度报告：AI系列深度18期：生成智能如何引入Transformer？

投资要点 生成式视觉的本质，是学习图像数据背后的分布规律，并在文本条件下生成新内容。本轮生成式视觉的核心范式迁移发生在GAN与Diffusion之间；扩散以更稳定的加噪—去噪学习确立生成主干，其潜空间建模与交叉注意力机制，也为Transformer的介入预留了接口。不同于语言领域中Transformer对RNN的快速替代，其在视觉生成任务中沿序列生成、条件编码、骨干替换与多模态扩展四个环节渐进渗透， 以代表论文为锚，我们将2013年以来生成式视觉的发展划分为五个阶段：VAE与GAN奠基（2013—2015年）、GAN主导高真实感生成（2016 2019年）、扩散复兴与理论统一（2020—2021年）、文生图爆发（2022年）、DiT与视频/多模态扩展（2023年至今）。 Transformer进入生成式视觉领域，经历了由局部模块引入到核心架构替换的渐进式演进。早期阶段，Transformer主要作为自回归生成器，将文本与图像表示统一为离散token序列，实现视觉内容的序列化建模：2021年DALL·E将文本token与图像token联合建模，证明图像可被token化、并以类似语言模型的