DIS-001
Disambiguation
术语 cross-attention 的双 referent 路由：LDM 通用条件接口（CPT-009）与 DiT block 设计变体（CPT-010）。
| id | |
|---|---|
| updated | |
| type | disambiguation |
| term | cross-attention |
| refs | CPT-009, CPT-010 |
Routing
- CPT-009 — LDM 的通用 cross-attention 条件机制：domain encoder \(\tau_\theta\) 把任意条件模态投影为 Key/Value 注入扩散 U-Net（PPR-2112.10752）。
- CPT-010 — DiT block 设计轴的 cross-attention 变体：t/c 嵌入拼成 2-token K/V 序列，self-attention 后追加 cross-attention 层（PPR-2212.09748）。
两个 referent 同属 attention 注入条件这一机制家族，但条件对象与宿主架构不同；论文层面的亲缘陈述见 CPT-010 的 Disambiguation 节。质的差异与量化比较不属本卡（Definition 20：纯路由）。
关联（11）
- PPR-2112.10752 High-Resolution Image Synthesis with Latent Diffusion Models
- PPR-2212.09748 Scalable Diffusion Models with Transformers
- 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。
- FRM-2501.15564 Diffusion Planner 五层重建：task redefinition 后的 ego+邻车联合轨迹生成（DiT 骨干、单一扩散损失）与 DPS 免训练 classifier guidance；断言投影 CLM-033..038（一份投影卡因 erratum 删除）。附录 C 的四个引导能量函数（式 10–13）与四条设计经验已公式化回填，供 G2DP 稀疏对比臂跨源引用。
- FRM-2503.07656 DriveTransformer 五层重建（骨架）：核心对象是把端到端驾驶压成三种统一注意力算子的纯 transformer 框架——sensor cross attention 让任务查询直接取原始传感特征（3D 位置编码、不建 BEV）、task self-attention 让 agent/map/ego 查询在每层直接互交（任务并行、无手工顺序）、temporal cross attention 以各任务的 FIFO 查询队列注入历史（流式、含 ego 坐标变换补偿）；公理层含『串行感知-预测-规划导致累积误差与训练不稳』与『手工任务顺序限制协同』。
- FRM-2606.26017 G2DP 五层重建：核心对象是 CPT-013 时空代价体（占据概率栅格 × 路线进度图融合）在推理期的可微引导；公理层为能量重加权目标分布、Top-K 车体聚合与末段注入等六个作者前提；论证主干是 Table 4 在同一 DiT 骨干下隔离『稠密网格 vs 稀疏实例』的引导模态消融（稀疏臂按 PPR-2501.15564 附录 C 实现、以 oracle 邻车供给）。
- CPT-009 Cross-attention conditioning
- CPT-010 DiT cross-attention conditioning
- CPT-011 DiT in-context conditioning
- VER-002 核验 CLM-002 adaLN-Zero 胜出：Table 4 四行与 Gflops/params 列逐项一致、Figure 5 排序声明一致，'同配置同预算'经审计修正。supported。
- SYN-001 DiT 四种 conditioning 设计系统对比：adaLN-Zero 以可忽略算力增量取得 FID 19.47 全维最优；推导出'交互强度-质量'非单调与'算力效率优先'两条结构观察（单来源外推，显式标注）。