CLM-017
Claim
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。
| id | |
|---|---|
| type | claim |
| source | PPR-2112.10752 |
| scope | UNet + cross-attention 注入; 条件 y ∈ {文本(BERT tokenizer, τ 为 transformer), 类标签(AdaIN/CA), 语义布局, 低清图像(concat)}; LAION-400M 1.45B / OpenImages / COCO / ImageNet; f=4..8 |
| epistemic | supported |
| lifecycle | RECONCILED |
| updated |
Proposition
LDM 给 U-Net backbone 加装一个通用 cross-attention 条件机制（CPT-009）：一个 domain-specific encoder \(\tau_\theta\) 把任意条件 y（文本、类标签、语义布局、低清图像）投影为 token，作为 cross-attention 的 Key/Value；Query 来自 UNet 在噪声 latent \(z_t\) 上的中间特征 \(\phi_i(z_t)\)。同一套注意力形式 \(\mathrm{Attention}(Q,K,V) = \mathrm{softmax}(QK^\top / \sqrt{d})\,V\) 即可挂接多种模态；对密集 image-to-image 任务（SR/inpainting）则退化为把条件与输入拼接。它把一个 backbone 变成可承载文本/类别/布局/图像条件的多模态生成器，无需为每个任务改结构。
Evidence refs
Notes
公式（§2.5）：\(Q = W_Q\,\phi_i(z_t)\)，\(K = W_K\,\tau_\theta(y)\)，\(V = W_V\,\tau_\theta(y)\)；条件损失 \(L_{\mathrm{LCM}} = \lVert \epsilon - \epsilon_\theta(z_t, t, \tau_\theta(y)) \rVert^2\) 中 \(\tau_\theta\) 与 \(\epsilon_\theta\) 联合优化。“flexible as \(\tau_\theta\) can be parameterized with domain-specific experts, e.g. (unmasked) transformers when y are text prompts”。layout-to-image 在 OpenImages 训、COCO 微调（补充 Sec. bboxtoimage）。
关联（15）
- 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）。
- EVI-017 §2.5 + §4.3–4.5：cross-attention 条件机制与多模态应用（支撑 CLM-017）。
- CPT-009 Cross-attention conditioning
- VER-017 条件机制核验：Q/K/V 公式（§2.5 Eq. cond_loss）与命题一致，text/class/layout/i2i 四模态有实例，与 DiT adaLN 不同机制不冲突。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-015 co-source 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）。
- 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-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。