生成模型的演进，本质上是对如何表征和优化复杂数据分布这一统计学问题的不断探索。VAE通过变分推断和ELBO提供了一个稳固的贝叶斯框架，但存在近似误差。GAN绕过了显式的密度估计，通过博弈论直接学习从简单分布到数据分布的变换，但训练不稳定。流模型通过精确的变量变换实现了似然的精确计算，但要求变换可逆且雅可比行列式易算，结构设计复杂。扩散模型通过一个固定的马尔可夫链过程将数据逐步扰动为噪声，再学习逆过