CPT-008
Concept
Perceptual autoencoder (first stage)
| id | |
|---|---|
| updated | |
| type | concept |
| name | Perceptual autoencoder (first stage) |
| aliases | perceptual compression model, first-stage autoencoder, f-autoencoder |
| defined-by | PPR-2112.10752 |
Definition
LDM 两阶段框架中的感知压缩段：一个 autoencoder（encoder E + decoder D），把 RGB 图像 \(x \in \mathbb{R}^{H \times W \times 3}\) 编码为感知等价（去除高频、人眼不可辨细节）但算力显著更低的低维表示 z=E(x)，其中 encoder 以下采样因子 f 缩小空间维度（z 形状 H/f × W/f × c）。训练目标为感知损失（LPIPS）+ patch-based 对抗目标（PatchGAN），确保重构落在图像流形上、避免纯像素损失（L1/L2）导致的模糊。按潜空间正则分为两变体（CPT-009 关联）：KL-reg（类 VAE 轻 KL 罚）与 VQ-reg（量化层被 decoder 吸收，VQGAN 变体）。
Disambiguation
- 与 LDM（CPT-006）的关系：感知 autoencoder 是 LDM 的前半段；LDM 是包含“感知压缩 + 潜空间扩散”的完整框架，autoencoder 只负责压缩/重构，不直接负责生成。
- 与 VQGAN 的区别：本概念允许 KL（连续）或 VQ 两种正则；VQ-reg 变体“可解释为量化被 decoder 吸收的 VQGAN”，但 LDM 的 2D-conv 使其可选更低 f、重建更保真（对比见 PPR-2112.10752 firststage 表：LDM f=8 R-FID 1.14 vs DALL·E f=8 32.01）。
- 与像素空间 DDPM（ADM）的对比：ADM 无显式 first-stage（f=1，直接在像素上去噪），本概念正是 LDM 把 f 提离 1 的核心手段。
关联（11）
- PPR-006 Learning Structured Output Representation using Deep Conditional Generative Models
- 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）。
- FRM-2605.12964 AsymFlow 五层重建：不对称速度目标 Pε−x0 与解析恢复 → 端点归约（r=0/正负号 x0-pred，r=D u-pred）→ Procrustes lift 的轨迹耦合定理 → 方差缩减微调损失（control variates + LPIPS 门控）；断言投影待 G1 签发后进行。
- CLM-023 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。
- EVI-013 §1/§2.3/§2.4：感知/语义两段分解的论述与公式（支撑 CLM-013）。
- CPT-006 Latent Diffusion Model
- CPT-009 Cross-attention conditioning
- VER-013 两段分解核验：感知压缩 AE + 潜空间 DM 与 §1/§2.3/§2.4（Eq.4-5）一致，DiT FRM-2212.09748 AX-2 同向互证，scope 未超。supported。
- CPT-006 co-definer Latent Diffusion Model
- CPT-009 co-definer Cross-attention conditioning