Вы не можете создать новое изображение, составляя значения пикселей случайным образом — пространство всех возможных комбинаций пикселей астрономически велико, и почти ни одна из них не выглядит сколько-нибудь осмысленной. Генеративные модели работают, изучая гораздо меньшее, структурированное скрытое пространство, где каждая точка соответствует правдоподобному изображению. VAE — первая архитектура, воплотившая эту идею в жизнь, а ее скрытое пространство — основа стабильной диффузии.