视觉生成与多模态模型演

1. 视觉 Tokenizer
   ├── VQ-VAE                  ← 建议补
   └── VQGAN

2. Autoregressive Image Generation
   └── DALL·E

3. Diffusion Model
   ├── 3.1 Diffusion 基础
   │   └── DDPM
   │
   ├── 3.2 Latent Diffusion
   │   └── Latent Diffusion Model
   │
   └── 3.3 Denoiser Backbone 演进
       ├── U-Net
       └── DiT

4. Flow-based Generation
   └── Flow Matching

5. Vision-Language Representation
   └── CLIP

6. Multimodal LLM
   ├── BLIP-2
   └── LLaVA