"棱镜假说" 这篇新论文表明，图像的意义主要存在于低频信号中，而像纹理这样的细节则存在于高频信号中。 通过利用这种分裂，作者构建了一个单一的潜在空间，支持理解（CLIP风格）和生成（VAE风格），因此不再需要在语义和保真度之间进行权衡。