CLM-001
Claim
DiT-XL/2（cfg=1.50，3 通道 guidance）在 ImageNet 256×256 达 FID-50K 2.27，为包括 StyleGAN-XL 在内的最低 FID。
| id | CLM-001 |
|---|---|
| type | claim |
| source | SRC-2212.09748 |
| scope | class-conditional ImageNet 256x256; latent diffusion on SD f8 VAE (8x downsample, 32x32x4) with ft-EMA decoder; DiT-XL/2 trained 7M steps; 250 DDPM sampling steps; classifier-free guidance scale 1.50 applied to 3 of 4 latent channels |
| epistemic | supported |
| lifecycle | RECONCILED |
| created | 2026-09-02 |
| updated | 2026-09-03 |
Proposition
在 class-conditional ImageNet 256×256 生成基准上，DiT-XL/2 配合 classifier-free guidance（三通道，cfg=1.50）达到 FID-50K 2.27，为 此前所有生成模型中最低的 FID-50K——既优于此前所有 diffusion 模型 （此前最佳 LDM-4-G 3.60），也优于 GAN 基线 StyleGAN-XL（2.30）。
Evidence refs
Notes
Table 2（256×256）同时报告 sFID 4.60 / IS 278.24 / Precision 0.83 / Recall 0.57。论文原文表述（§5.1）："Our method achieves the lowest FID of all prior generative models, including the previous state-of-the-art StyleGAN-XL." 可复现关键细节：2.27 使用三通道 guidance（latent 共 4 通道，仅对前 3 通道施加 guidance，scale 1.5）；等效四通道 guidance（scale 1.375） 给出 FID-50K 2.20（Appendix A.1）。 仅训 2.35M steps（与 ADM 预算相当）时 FID 2.55，仍优于此前全部 diffusion 模型。无 guidance 的 DiT-XL/2（7M steps）FID 9.62， recall 0.67 为 Table 2 中最高，且在所有测试 guidance scale 下 recall 高于 LDM-4 与 LDM-8。
引用（2）
- EVI-001 Table 2/§5.1/App.A.1：DiT-XL/2-G 256 FID-50K 2.27（sFID 4.60/IS 278.24），3 通道 guidance 口径，优于 LDM-4-G 3.60 与 StyleGAN-XL 2.30（支撑 CLM-001）。
- SRC-2212.09748 DiT 原始论文（Peebles & Xie, ICCV 2023）：ViT 替换 LDM U-Net backbone，Gflops 视角的 scaling 研究。
被引用（17）
- CLM-004 DiT-XL/2（cfg=1.50）在 ImageNet 512×512 达 FID-50K 3.04，优于全部 diffusion 基线但未超 StyleGAN-XL（2.41）。
- CLM-007 VAE decoder（original/ft-MSE/ft-EMA）可免重训互换，FID 2.46/2.30/2.27，差异有限且均优于此前 diffusion。
- CLM-008 3 通道子集 guidance（DiT 实际做法）经 scale 换算后与全 4 通道效果近似：3ch (1+x) ≈ 4ch (1+¾x)。
- CLM-009 U-Net 归纳偏置对 diffusion 质量非关键：标准 ViT 可直接替换 U-Net backbone 并取得更优质量。
- CLM-014 latent 空间训 DM 同时压低训练与采样算力且质量反升：LDM-4-G 271 vs ADM 916 V100-days，采样快约 3.3×。
- CPT-002 adaLN-Zero
- EVI-001 Table 2/§5.1/App.A.1：DiT-XL/2-G 256 FID-50K 2.27（sFID 4.60/IS 278.24），3 通道 guidance 口径，优于 LDM-4-G 3.60 与 StyleGAN-XL 2.30（支撑 CLM-001）。
- EVI-014 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-018 主文 T2I 表 + ImageNet 主表：CFG 的推理期质量增益（支撑 CLM-018）。
- 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。
- VER-001 核验 CLM-001 DiT SOTA：Table 2/§5.1/App.A.1 数字（2.27、LDM-4-G 3.60、StyleGAN-XL 2.30）与 v2 源逐项一致，含审计修正史；scope 未超。supported。
- VER-007 核验 CLM-007 decoder 消融：Table 5（2.46/2.30/2.27）与 §A.4（encoder 相同、免重训互换、LDM decoder 下仍最优）一致。supported。
- VER-008 核验 CLM-008 subset-channel guidance：App.A.1（3ch@1.5→2.27、4ch@1.375→2.20、近似式）逐字核对一致，'近似'不确定性保留。supported。
- VER-012 核验 CLM-012 CFG 梯度：Table 2/3 行内（256: 9.62/3.22/2.27；512: 12.03/4.64/3.04）逐格一致，scale 边界与质量-多样性权衡已记。supported。
- VER-014 算力主张核验：271 vs 916 V100-day、0.4 vs 0.12 samples/s、FID 3.60/3.95 vs 10.94 与 compute_vs_fid 表逐项吻合，两 cfg 口径已分离。supported。
- 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。
- VER-020 无条件合成核验：CelebA-HQ 5.11 SOTA、FFHQ 4.98、LSUN-Bedrooms 2.95 vs ADM 1.90 与无条件表一致，SOTA 限 CelebA-HQ、P/R 逐数据集。supported。