优点：1、解决了新问题：从图文到图，一定的场景编辑能力；2、从文到图，一定的创造力，设计师可能比较喜欢；3、VQ-VAE-2，可控的图片生成，带人工的语义编码会放到最后的生成decoder中 缺点：模型还比较简单粗暴
