CLM-015
Claim
LDM 全 2D-conv 流程（conv AE + conv DM）可容忍比 1D-AR tokenize 更温和的压缩且重建更保真；优势集中在低压缩区间（f=8 显著优于 DALL·E，f=16 与 VQGAN 相当）。
| id | |
|---|---|
| type | claim |
| source | PPR-2112.10752 |
| scope | f=8 / f=16 autoencoders, 在 OpenImages 训练、ImageNet-Val 评估; 对比 VQGAN (f=16, k=1024/256) 与 DALL·E (f=8); 重建指标 R-FID/PSNR/LPIPS/SSIM |
| epistemic | partially-supported |
| lifecycle | RECONCILED |
| updated |
Proposition
相对把 latent 做 1D 展平/tokenize 以自回归建模的方案（DALL·E/ VQGAN 系），LDM 的全 2D-conv 流程——first-stage 卷积 autoencoder 加上在二维 latent 结构上运行的卷积扩散模型——允许选用更温和的空间压缩因子而不受陡峭算力惩罚，从而可选取重建更保真的压缩水平；matched 对比中该优势集中在低压缩区间（f=8 显著优于同压缩的 DALL·E，f=16 处与 VQGAN 大体相当）。全部重建读数沉于 EVI-015；“容忍低压缩”的论证在原文里部分落在 second-stage（§2.4/§3.3），与 first-stage 压缩器存在轻微归因跨段（见 CFL-001 §3）。
Evidence refs
Notes
对应引言贡献 i（“work on a compression level which provides more faithful and detailed reconstructions than previous work”）与 iii（“does not require a delicate weighting of reconstruction and generative abilities”）。DALL·E/VQGAN 的高压缩是 AR 可行性的硬约束（数十亿参数），LDM 的 conv 归纳偏置解除了该耦合。逐 f 的完整重建表（f=1..32, KL/VQ）见补充 Tab. firststagetablecomplete，本条只锚定代表性对比行（f=8/16）。全部重建读数（R-FID/PSNR/LPIPS/SSIM）沉在 EVI-015；命题末句边界（f=16 与 VQGAN 打平）出自其 Caveats 的诚实发现，收纳入命题以防全区间占优误读。另注：“容忍低压缩”的论证在原文里部分落在 second-stage（§2.4/§3.3：latent 保持二维结构故后续 DM 可用 2D 卷积），与重建读数锁定的 first-stage 压缩器有轻微归因跨段（详见 CFL-001 §3）。
Epistemic Log
关联（16）
- PPR-2112.10752 High-Resolution Image Synthesis with Latent Diffusion Models
- FRM-2112.10752 LDM 五层重建：感知压缩 AE + 潜空间扩散的两段分解，换取训练/采样成本大降；多任务多分辨率（256²/512²→~1024²）。
- CLM-013 像素空间 DM 把容量同时花在感知无关细节与语义构成上；显式剥离感知压缩给一次训练的 autoencoder、让 DM 在低维 latent 专司语义生成，是复杂度降低与细节保留之间的近最优分解（作者自评）。
- EVI-015 Tab.423 firststage：matched 重建指标对比 VQGAN/DALL·E（支撑 CLM-015）。
- CFL-001 表面冲突：CLM-009（DiT）称'U-Net 归纳偏置对生成质量非关键，可换 ViT'，CLM-015（LDM）称'2D 卷积归纳偏置对重建保真关键，容忍低压缩'。论文核实：两处'U-Net'是不同网络（second-stage 去噪 UNet vs first-stage 压缩 autoencoder），同名异物、可同真互补，提议 terminology-difference。
- VER-015 重建核验：LDM f=8 R-FID 1.14 vs DALL·E 32.01 / VQGAN 4.98、f=2 0.16 与 Tab.423 一致，f=16 打平边界已声明。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-013 co-source 像素空间 DM 把容量同时花在感知无关细节与语义构成上；显式剥离感知压缩给一次训练的 autoencoder、让 DM 在低维 latent 专司语义生成，是复杂度降低与细节保留之间的近最优分解（作者自评）。
- CLM-014 co-source 在预训练感知 autoencoder 的 latent 空间训扩散模型，相对同等评估条件下的像素空间扩散模型，同时显著降低训练算力与采样/推理成本，且生成质量不降反升。
- CLM-016 co-source 下采样因子 f 的选取存在数据集相关的甜区：f 过小训练进度结构性缓慢，f 过大因 first-stage 信息损失保真度早期停滞；复杂数据集甜区在 f=4/8，较简单数据可用更高 f 换采样速度。
- CLM-017 co-source LDM 以通用 cross-attention 注入任意条件（τ_θ 投影 y 为 KV，UNet 中间特征为 Q），一个 backbone 承载多模态条件。
- CLM-018 co-source 推理期 CFG 大幅抬升 LDM 样张质量（FID/IS 同改）而几乎不加训练成本，两设定均成立；引导后的 1.45B cross-attn 文本 LDM 与近期最强 AR/diffusion 系统同量级且参数量显著更少（论文措辞 on par，非新 SOTA）。
- CLM-020 co-source likelihood-based 目标的 mode-covering 行为在 Precision/Recall 上系统性地优于 GAN（逐数据集、针对对抗基线），支持其分布覆盖优势的指标层证据；同口径下 LDM 于 CelebA-HQ 取得新 SOTA FID，其余数据集与最强 GAN/扩散竞争。
- CLM-021 co-source 密集条件 image-to-image 直接把条件拼入输入训练，conv 式条件使模型能越过训练分辨率泛化到兆像素大图。
- CLM-022 co-source 对密集条件 i2i 任务，latent 扩散配方同时给出感知质量与效率收益：(SR) LDM-SR 在感知指标上胜过专用像素扩散 SR3 与回归基线，但 PSNR/SSIM 由回归基线占先；(Inpainting) latent 化显著提吞吐并改善 FID，分布级质量超专用 SOTA 修复器 LaMa 而 LPIPS 略高。
- CLM-023 co-source LDM 上限受 first-stage AE 重建精度限制（细粒度像素任务），且迭代采样仍慢于 GAN 一步生成。