EVI-022
Evidence
§4.4/4.5 + Tab. srtable/inpainting：SR 与 inpainting 的高质高效结果（支撑 CLM-022）。
| id | |
|---|---|
| updated | |
| type | evidence |
| claims | CLM-022 |
| source | PPR-2112.10752 |
| observation | §4.4 Super-Resolution（Tab. srtable：ImageNet 4×, 256²，LDM-SR 169M / big 552M / 50s-guiding 184M vs SR3/pixel/regression）+ §4.5 Inpainting（Tab. inpaintingefficiency + inpaintingtable，Places 256²/512², LDM-1 vs LDM-4 / big 387M vs LaMa）+ Tab. user_study（SR 与 Inpainting 两组偏好） |
| method | SR：ImageNet 4× bicubic 退化（遵循 SR3 流水线），f=4 VQ（OpenImages 预训练）AE，LR 与 UNet 输入拼接（τ=id），DDIM，ImageNet-Val 256²，FID/IS/PSNR/SSIM/LPIPS；LDM-SR 169M(100s)、big 552M、50s+guiding 184M。Inpainting：Places 30k，256²/512²，f=4 KL/VQ，参数量对齐 ~215M（big 387M，3-level attention），LDM-1（pixel）vs LDM-4，6 epochs，测吞吐+FID；对比 LaMa（FFT 专用）。用户研究：GT-preference 与 pairwise。 |
| scope | SR ImageNet 4× 256²（f=4 VQ，169M/552M/184M）; Inpainting Places 256²/512²（215M/387M）; DDIM; vs SR3/LaMa/pixel |
Result
SR（ImageNet 4×, 256²，FID↓/IS↑/PSNR/SSIM/LPIPS）：
- LDM-SR（169M, 100 步）：FID 2.8†（val feat）/ 4.8‡（train feat），IS 166.3，PSNR 24.4±3.8，SSIM 0.69±0.14。
- LDM-SR-big（552M）：FID 2.4/4.3，IS 174.9，PSNR 24.7，SSIM 0.71。
- LDM-SR-50s-guiding（184M, 50 步+guiding）：FID 4.4/6.4，PSNR 25.8, SSIM 0.74（guiding 抬 PSNR/SSIM，牺牲一点 FID）。
- LDM-SR 的 FID 优于 SR3（SR3 的 IS 更高）；PSNR/SSIM 最高者仍为简单回归基线（其偏好“模糊但对齐”），LDM 在感知质量上胜出，post-hoc perceptual-loss guider 可再推 PSNR/SSIM。
Inpainting（Places 256²/512²）：
- LDM-4（带 attention）vs pixel LDM-1：≥2.7× 训练+采样吞吐提升、≥1.6× FID 改善（6 epochs, 256²/512²，215M 对齐）。
- LDM-4 FID 优于 LaMa（专用 SOTA 修复器）；LPIPS 略高于 LaMa——LaMa 单张均值化图像 LPIPS 更低（更接近原图的均值），LDM 多样样张平均 LPIPS 略高但整体 FID（分布级）更好。
- big（387M，3-level attention，无 first-stage attention 以省高清 VRAM）在 512² 微调半 epoch 后 → 刷新图像修复 SOTA FID。
- 用户研究（user_study 表）：Inpainting — LDM-4 GT-preference 21.0% vs LaMa 13.6%；pairwise 68.1% vs 31.9%。
Caveats
SR 的 PSNR/SSIM 由回归基线拿第一是指标特性（“favor blurriness over imperfectly aligned HF details”），不代表感知更好；LDM 的 2.4/2.8 FID 才是分布级质量的正确读数，PSNR 24.4–25.8 只是参考。“2.7×/1.6×” 与 “FID 2.4–4.4、PSNR 24.4–25.8” 是 215M/387M 对齐下 6 epochs 的中位读数，随分辨率（256²/512²）与 KL/VQ 微调漂移；512² 需 500 步级采样，256² 100 步足够。Inpainting 的 LPIPS 略劣于 LaMa 与 FID 更优并存，说明 LPIPS（单样本感知距离）与 FID（分布匹配）在此任务上排序不一致——LaMa 赢在“单张更像原图均值”，LDM 赢在“多样样本整体分布更对”，两者是不同维度。
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-022 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。
- VER-022 i2i 核验：SR FID 2.8/2.4/4.4 胜 SR3、inpainting 2.7×提速/1.6×FID、胜 LaMa（用户 30.4/70.6、21.0/68.1）与表/正文逐项一致。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-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-023 co-source §10 Limitations + Fig. firststagecomparison：AE 重建瓶颈与迭代采样局限（支撑 CLM-023）。