CLM-007
Claim
DiT 对既有 U-Net diffusion 模型的质量优势不依赖 VAE decoder 选择：免重训互换 LDM 原始/ft-MSE/ft-EMA decoder（encoder 相同）后优势均保持。
| id | |
|---|---|
| type | claim |
| source | PPR-2212.09748 |
| scope | DiT-XL/2-G (3-channel guidance, cfg=1.5), ImageNet 256x256, 7M steps; FID-50K via ft-EMA/ft-MSE/LDM-original VAE decoder swap (no retraining) |
| epistemic | supported |
| lifecycle | RECONCILED |
| updated |
Proposition
DiT 相对既有 U-Net diffusion 模型的质量优势不依赖于 VAE decoder 的具体选择：同一 diffusion 权重下互换未重训的 LDM 原始 decoder 与 SD 微调 decoder（ft-MSE/ft-EMA，encoder 相同），优势均保持。
Evidence refs
Notes
该消融隔离了 decoder 权重对最终指标的贡献，说明 DiT 相对 U-Net diffusion 模型的优势不依赖 SD 微调 decoder（§A.4：“XL/2 continues to outperform all prior diffusion models when using the LDM decoder”）。三种 decoder 的口径分工见 CPT-005。decoder 选择对“是否超过 GAN 基线”的边界判定有实质影响：用 LDM original decoder 时 FID 2.46 劣于 StyleGAN-XL 2.30，“全部生成模型中最低 FID”仅在 ft-MSE/ft-EMA 下成立（本库综合，锚 Table 5 与 Table 2；见 EVI-007 Caveats）。
关联（15）
- PPR-2212.09748 Scalable Diffusion Models with Transformers
- BMK-004 ImageNet class-conditional generation (256×256 / 512×512)
- FRM-2212.09748 DiT 五层重建：以 ViT 替换 latent diffusion 的 U-Net backbone、Gflops 为透镜的 scaling 研究；边界为 class-cond ImageNet 256/512。
- EVI-007 Table 5/§A.4：decoder original/ft-MSE/ft-EMA FID 2.46/2.30/2.27，encoder 相同免重训互换，差异有限均优于此前的 diffusion（支撑 CLM-007）。
- CPT-005 VAE decoder variants (ft-MSE / ft-EMA)
- VER-007 核验 CLM-007 decoder 消融：Table 5（2.46/2.30/2.27）与 §A.4（encoder 相同、免重训互换、LDM decoder 下仍最优）一致。supported。
- SYN-002 三源合成：diffusion 管线三段可分解改造——LDM 表示层（latent 感知压缩）、DiT 骨干层（ViT 替换 + Gflops 标度）、G2DP 采样层（推理期引导插件）；三论文是时间上的实际组合链（DiT 复用 LDM first-stage，G2DP 用 DiT 骨干），层独立性判断 CLM-013/009/032 解释组合可行性。
- CLM-002 co-source 同配置同预算下，条件注入机制的选择对生成质量有决定性影响：adaLN-Zero 调制式注入同时最优质量与最低计算开销，优于 cross-attention 与 in-context。
- CLM-003 co-source 模型前向 Gflops（而非参数量）主导 DiT 质量：Gflops 相近则 FID 相近，且与 FID-50K 强负相关。
- CLM-005 co-source 采样算力不能补偿模型算力：DiT 族内小模型即使以数倍单图采样算力生成，FID 仍劣于大模型的低步数采样（锚点数字见 EVI-005）。
- CLM-006 co-source 等量总训练算力下大模型更 compute-efficient；仅改 patch size 的模型对在控制训练 Gflops 后性能曲线不同。
- CLM-009 co-source U-Net 归纳偏置对 diffusion 质量非关键：标准 ViT 可直接替换 U-Net backbone，并在同等评估协议下取得优于既有 U-Net-based diffusion 模型的质量。
- CLM-010 co-source DiT 在未调参 ADM 配方下稳定训练：恒定 lr、无 warmup/正则，全程无 loss spike。
- CLM-011 co-source patchify 标度：p 减半 → token 与 transformer Gflops 至少 ×4（注意力超线性），参数量近似不变。
- CLM-012 co-source CFG 大幅改善 DiT 生成质量，收益随 guidance scale 增大而递减，并伴随保真度升、多样性（recall）降的权衡；SOTA 数字均以 guidance 口径取得。