Les représentations auto-supervisées pour la génération visuelle (SVG) ont été proposées conjointement par l'Université Tsinghua et l'équipe Kuaishou Keling en octobre 2025. Les résultats de recherche pertinents ont été publiés dans l'article « […] ».Modèle de diffusion latente sans auto-encodeur variationnel".

SVG est un modèle de diffusion latente novateur qui ne nécessite pas d'auto-encodeur variationnel (VAE), libérant ainsi des représentations auto-supervisées pour la génération visuelle. Ce modèle construit un espace de caractéristiques sémantiquement discriminantes en exploitant les caractéristiques DINO figées, tandis qu'une branche résiduelle légère capture les détails fins pour une reconstruction de haute qualité. Le modèle de diffusion est entraîné directement sur cet espace latent structuré sémantiquement, ce qui facilite un apprentissage plus efficace. Par conséquent, SVG accélère l'entraînement de la diffusion, réduit le nombre d'étapes d'échantillonnage et améliore la qualité de la génération.