潜在空间生成方法（如 Stable Diffusion 所用的 VAE）先训练编码器把图像压缩到低维潜在表示，再在潜在空间做扩散或流匹配，推理时由解码器还原像素；这会引入重建误差，且潜在空间缺乏语义约束时容易出现语义漂移。