上一页改的是条件怎样影响更新。这一页先看另一条路径：像素图经过编码器变成较紧凑的表示，再由解码器还原。杯柄在重建中已经丢掉的细节提醒我们，压缩并不免费。若表示没有保存某个细节，后面的解码器或生成过程可能补出看似合理的内容，却不能仅凭它们恢复原图中未被保留的确切事实。

Latent Diffusion 的关键分工是先学习这种表示，再在紧凑表示中执行反复生成，最后将生成出的表示解码回像素。生成一张新图时可以直接抽取latent噪声，不必先拿真实照片编码；编码真实图是训练表示或图像编辑等情境中的另一条路径。这样把许多次模型计算放在较小的空间中；并不是每一步都完整生成一张高分辨率照片再压回去。整体代价还取决于表示大小、骨干、步数和最后解码，压缩程度也要与任务所需细节权衡。

接着把预测器换成 Transformer。DiT 将表示切成 patch，由 Transformer 处理并学习扩散任务；它回答网络骨干及扩展方式的问题。把图切成patch交给Transformer，也不自动表示按位置先后自回归生成。William Peebles 与 Saining Xie 的 DiT 研究，和“先进入紧凑空间”的决定有关联，却不是同一选择。潜在空间可以搭配别的骨干，Transformer 也可以在其他表示中使用。

“用了 DiT，是不是就不需要逐步去噪？” 不能这样推断。图中换了处理表示的网络，迭代回路仍在。生成多少步、每步调用几次，由采样计划和学到的能力共同决定；网络叫 Transformer 没有自动授予一步跨到终点的能力。

把这一段发展放到同一地图中，就容易看清研究问题怎样接续：DDPM 提供有效的训练与生成路线，DDIM 等方法研究更新与速度，latent 方法调整表示成本，DiT 研究可扩展的骨干。它们不是依次消灭前一种方法，而是在不同部件上作决定，可以在同一系统里组合。

看一个新名字时，可以问四件事：在哪种表示里工作，网络是什么，让它预测什么，如何把预测用于更新。下一页专门改变第三项：面对同一张受损图，到底要求网络回答噪声、干净图，还是变化方向？

同一生成循环，本页改变表示 / 骨干

当前表示 → 模型预测 → 更新规则 → 下一状态 表示 / 骨干