AI 图像生成技术发展时间脉络：从 GAN 到多模态大模型的知名模型概略解析
以下是按时间顺序排列的图像生成模型及介绍：
-
生成对抗网络（GAN，2014年）
2014年由伊恩·古德费洛等人提出，通过生成器与判别器相互对抗的训练框架，为AI生成图像奠定技术根基，是图像生成领域的开创性模型。
-
DCGAN（2016年）
首次将卷积神经网络引入GAN架构，提升生成图像质量与训练稳定性，其转置卷积、Batch Normalization等设计范式成为后续GAN模型的通用标准。
-
CycleGAN（2017年）
无需成对数据即可实现跨域图像转换（如“马→斑马”“照片→油画”），通过循环一致性损失保证转换可逆性，在风格迁移、多领域图像转换中应用广泛。
-
StyleGAN（2018年）
引入“样式混合”“截断技巧”，实现对生成图像特征（发型、肤色等）的精细控制，生成的人脸图像高度逼真，为后续StyleGAN系列奠定基础。 -
StyleGAN2（2019年）
通过“非饱和损失”“路径长度正则化”解决GAN“模式崩溃”问题，生成图像细节更丰富，是高分辨率人脸生成的标杆模型。
-
DALL·E（OpenAI，2021年1月）
OpenAI推出的早期文本-图像生成模型，可根据趣味文本描述（如“牛油果穿西装办公”）生成对应图像，开启多模态图像生成新方向。
-
GLIDE（2021年）
OpenAI开发的文本引导扩散模型，实现高质量文本到图像生成，其“无分类器引导”技术被Stable Diffusion等后续模型沿用，是DALL·E 2的核心组成部分。 -
StyleGAN3（2021年）
消除生成图像伪影，支持1024×1024高分辨率生成，在艺术创作、工业设计（虚拟角色、产品原型）等领域应用广泛。 -
MidJourney（2022年3月）
闭源商业模型，以艺术风格生成著称，生成图像在创意性、色彩表现上极具特色，是设计师、艺术家群体的主流创作工具。 -
文心一格（2022年8月）
百度推出的中文原生文本-图像生成模型，支持中文提示词（如“水墨江南水乡”），在中文语境的创意生成、商业设计中优势明显。 -
Stable Diffusion（2022年8月）
开源扩散模型，凭借强大的社区生态和自定义能力，成为文本-图像生成领域的主流模型，支持风格、分辨率的高度定制。 -
Imagen（2022年）
Google的文本-图像扩散模型，结合大规模语言模型T5-XXL和多阶段超分辨率网络，对复杂文本的理解与图像生成质量行业顶尖。 -
DALL·E 2（2022年）
OpenAI第二代文本-图像模型，结合CLIP实现图文语义精准对齐，支持“图像编辑”功能（如“给场景添加独角兽”），生成创意性进一步突破。 -
通义万相（2023年4月）
阿里云推出的文本-图像生成模型，支持中文提示词，在电商商品图、营销素材等商业场景应用广泛，具备风格迁移、多图联动功能。 -
PLAYGROUND V2（2023年12月）
擅长生成电影级、艺术装置类复杂场景，在创意性和视觉叙事性上表现突出，受创意从业者关注。 -
豆包大模型（2024年5月）
字节跳动推出的多模态大模型，具备文本-图像-知识联动生成能力，可结合文本、知识背景生成兼具创意与信息性的图像。 -
Stable Diffusion 3（2024年）
Stability AI第三代开源模型，基于“多模态扩散Transformer”架构，提升对复杂提示词的理解能力，支持多分辨率生成和中文语义优化。 -
MidJourney V6（2024年）
新增“风格参考”（上传图片模仿风格）和4K分辨率输出功能，在艺术风格精细度、场景逻辑一致性上进一步突破。 -
混元DiT（2024年）
腾讯推出的中文原生扩散模型，支持中英文混合提示和中国元素生成（如“古诗词山水画卷”），全面开源且具备多轮对话优化图像的能力。 -
Gemini Pro 1.5（2024年）
Google多模态大模型，支持文本、图像、视频联合处理，可根据长文本、视频片段生成逻辑连贯的图像/视频内容，向动态内容生成延伸。 -
Sora（2024年）
OpenAI推出的视频生成模型，能根据文本描述生成长达60秒的连贯动态视频（如“松鼠在赛博朋克城市滑板”），标志生成技术向动态内容跨越。 -
FLUX（2024年8月）
2024年8月推出的模型，在图像生成的技术创新性和创意表现上有显著突破，引发行业关注。 -
Fooocus（2025年）
基于Stable Diffusion优化的开源工具，支持一键生成高质量图像，仅需4GB显存即可运行，大幅降低AI图像生成的硬件门槛。 -
Step1X-Edit（2025年）
开源多模态模型，支持“图像+指令”联合输入实现像素级编辑（如“替换背景天空为夕阳”），指令跟随精度达闭源模型的92%。