Selbstüberwachte Repräsentationen für die visuelle Generierung (SVG) wurden im Oktober 2025 gemeinsam von der Tsinghua-Universität und dem Team von Kuaishou Keling vorgeschlagen. Die entsprechenden Forschungsergebnisse wurden in der Arbeit "[…]" veröffentlicht.Latentes Diffusionsmodell ohne Variations-Autoencoder".

SVG ist ein neuartiges latentes Diffusionsmodell, das keinen Variations-Autoencoder (VAE) benötigt und somit selbstüberwachte Repräsentationen für die visuelle Generierung ermöglicht. Dieses Modell konstruiert einen semantisch diskriminativen Merkmalsraum mithilfe eingefrorener DINO-Merkmale, während ein ressourcenschonender Residualzweig feine Details für eine hochwertige Rekonstruktion erfasst. Das Diffusionsmodell wird direkt auf diesem semantisch strukturierten latenten Raum trainiert, was ein effizienteres Lernen ermöglicht. Daher beschleunigt SVG das Diffusionstraining, reduziert die Anzahl der benötigten Sampling-Schritte und verbessert die Generierungsqualität.