EVI-016
Evidence
§4.1 + Fig. cin_traincourse/speedplot：f 消融的训练/采样曲线（支撑 CLM-016）。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-016 |
| source | PPR-2112.10752 |
| observation | §4.1 On Perceptual Compression Tradeoffs + Fig. cin_traincourse（2M steps 样张随训练进度）+ Fig. speedplot（采样速度 vs FID, DDIM）+ Tab. cin_hyperparams（z-shape/通道/模型规模 391–396M/batch） |
| method | class-conditional ImageNet 256²；f∈{1,2,4,8,16,32}；参数量对齐 ~391–396M；2M steps；单 A100；linear 噪声调度 1000 步；DDIM 采样（25–100 步）测吞吐与 FID 关系。 |
| scope | f=1,2,4,8,16,32；~391–396M；2M steps；单 A100；ImageNet |
Result
训练进度（Fig. cin_traincourse，2M steps）：
- LDM-{1,2}（低压缩）：进度慢——因把大部分感知压缩任务交给了扩散模型本身，像素级的高维空间使其收敛迟滞。
- LDM-{4,8}：兼具较快的早期收敛与较高的渐近质量，为甜区。
- LDM-{16,32}（高压缩）：first-stage 压缩过强→信息损失，样张保真度在较少步数后即停滞（上限被 first-stage 锁死）。
量化差距：LDM-1（像素基线）与 LDM-8 之间的 FID gap 在 2M steps 后达 38。
采样速度（Fig. speedplot，DDIM，CelebA-HQ & ImageNet）：LDM-{4,8} 相对不合适的压缩比（过低/过高）的模型，在更低 FID 的同时实现更高的 samples/sec——二者兼顾。
Caveats
f 的选择是数据集相关的：ImageNet（复杂自然场景）需要较低压缩（f=4/8）以避免质量损失；CelebA-HQ（人脸，结构较规整）可以用较高 f 换取速度而质量损失较小。参数量“对齐”是名义上的（391–396M 区间内），实际各 f 的通道配置不同（channels 192/256, multiplier 随 f 变化），因此“参数量对齐”不完全等同于“算力对齐”——低 f 的模型虽然参数相同，但其 latent 空间维度更高，单次前向的 Gflops 实际上更高。这解释了为何 LDM-1/2 不仅“进度慢”，而且其“慢”是结构性的（latent 维度高→每步贵），不只是收敛动力学问题。
关联（14）
- 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-016 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。
- VER-016 f 甜区核验：f=4/8 最优与 §4.1 消融、FID gap 38（LDM-1 vs LDM-8 @2M）正文引语一致，scope 限 ImageNet/2M/单 A100。supported。
- EVI-013 co-source §1/§2.3/§2.4：感知/语义两段分解的论述与公式（支撑 CLM-013）。
- EVI-014 co-source Tab.13 compute_vs_fid + 主表：LDM-4-G 271 vs ADM 916 V100-day、0.4 vs 0.12 samples/s、FID 3.60/3.95 vs 10.94（支撑 CLM-014）。
- EVI-015 co-source Tab.423 firststage：matched 重建指标对比 VQGAN/DALL·E（支撑 CLM-015）。
- EVI-017 co-source §2.5 + §4.3–4.5：cross-attention 条件机制与多模态应用（支撑 CLM-017）。
- EVI-018 co-source 主文 T2I 表 + ImageNet 主表：CFG 的推理期质量增益（支撑 CLM-018）。
- EVI-019 co-source 主文 T2I 对比表 + §4.3.1：1.45B 文本条件 LDM 对比 AR/diffusion（支撑 CLM-018 第二子命题）。
- EVI-020 co-source 无条件合成表：LDM 对 GAN/扩散基线的 FID/Precision/Recall（支撑 CLM-020）。
- EVI-021 co-source §4.3.2 + 大图样例：越分辨率泛化到 ~1024²/兆像素（支撑 CLM-021）。
- EVI-022 co-source §4.4/4.5 + Tab. srtable/inpainting：SR 与 inpainting 的高质高效结果（支撑 CLM-022）。
- EVI-023 co-source §10 Limitations + Fig. firststagecomparison：AE 重建瓶颈与迭代采样局限（支撑 CLM-023）。