EVI-019
Evidence
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）。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-018 |
| source | PPR-2112.10752 |
| observation | 主文 Text-Conditional Image Synthesis 表（MS-COCO val，250 DDIM steps：CogView/LAFITE/GLIDE/Make-A-Scene vs LDM-KL-8 / LDM-KL-8-G）+ §4.3.1 Transformer Encoders for LDMs（LAION-400M, 1.45B, BERT tokenizer, τ=transformer） |
| method | LAION-400M 训练；1.45B KL-LDM；BERT tokenizer；τ_θ=transformer 编码文本，cross-attention 注入 U-Net；MS-COCO validation 集评测 FID/IS；250 DDIM steps；best 配置 CFG s=1.5。 |
| scope | LAION-400M→MS-COCO val；1.45B；250 步；cfg 1.5（best） |
Result
MS-COCO 250 步 text-to-image（FID↓ / IS↑）：
- CogView：27.10 / 18.20（AR）
- LAFITE：26.94 / 26.02（GAN）
- GLIDE：12.24 / –（diffusion）
- Make-A-Scene：11.84 / –（AR, 同期最新）
- LDM-KL-8（ours）：23.35 / 19.93±0.35
- LDM-KL-8-G（ours, CFG s=1.5）：FID 12.61 / IS 26.62±0.38
→ LDM-KL-8-G（1.45B）的 FID 12.61 与 GLIDE 12.24、Make-A-Scene 11.84 处于同一量级（差 ≤0.8），并大幅领先早期的 CogView 27.10 与 LAFITE 26.94（差 ≈14.3/14.3）。
Caveats
“on par with” 是相对量级判断（12.61 vs 12.24/11.84，差 0.37–0.77），严格说 LDM-KL-8-G 的 FID（12.61）略高于 Make-A-Scene（11.84）与 GLIDE（12.24），并非绝对最低——论文措辞是 “on par”（相当）而非 “new SOTA”。“substantially reducing parameter count” 指 1.45B 小于部分 AR 系统，但表中未逐一列出 CogView/Make-A-Scene/GLIDE 的精确参数量，故参数量优势的量化幅度取决于外部信息，本表只保证 1.45B 这一自身数值。IS 的 ±0.38 为多次评测标准差；FID 单次值未附误差棒（FID 对样本数敏感，5K 提示集是标准口径）。
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-018 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）。
- VER-018 CFG 核验：推理期提质（T2I 23.35→12.61、IS 19.93→26.62；ImageNet 10.56→3.60）与两表一致、非增训，机制同 CPT-003。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-016 co-source §4.1 + Fig. cin_traincourse/speedplot：f 消融的训练/采样曲线（支撑 CLM-016）。
- 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-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）。