CLM-021
Claim
密集条件 image-to-image 直接把条件拼入输入训练，conv 式条件使模型能越过训练分辨率泛化到兆像素大图。
| id | CLM-021 |
|---|---|
| type | claim |
| source | SRC-2112.10752 |
| scope | 密集条件 image-to-image（SR / inpainting / semantic synthesis）; 训练 256^2（semantic 用 384^2 crops）, 评估/生成卷积滑窗至 512^2–1024^2 乃至兆像素; f=4（VQ: SR/inpainting; KL: text-cond >256^2 需 rescale + CFG）; 条件以 spatially-aligned concat 注入 |
| epistemic | supported |
| lifecycle | RECONCILED |
| created | 2026-09-03 |
| updated | 2026-09-03 |
Proposition
对密集条件的 image-to-image 任务（超分、修复、语义合成），LDM 把空间对齐的条件信息直接拼接到输入即可当作通用的图像→图像翻译模型来训；这种 conv 式的条件方式使模型能越过训练分辨率泛化——以滑窗/卷积方式套用，生成 ~1024² 乃至兆像素级、空间一致的大图。语义合成在 256²（384² crops）训练却能生成到兆像素；SR 与 inpainting 模型同样借此产出 512²–1024² 的大图；text 条件的 LDM-KL-8-G 在 latent 经 component-wise std rescale 后，配合 CFG 可直接合成 >256² 图像。
Evidence refs
Notes
§4.3.2 "Convolutional Sampling Beyond 256²" 原文："By concatenating spatially aligned conditioning information to the input of ε_θ, LDMs can serve as efficient general-purpose image-to-image translation models"、"generate images up to the megapixel regime when evaluated in a convolutional manner"。latent 尺度（SNR）对结果敏感：f=4 KL latent 与 component-wise std rescaled 版本差异显著；rescaled + CFG 使 LDM-KL-8-G 直接合成 >256²（Fig. text2img_conv, 附录）。
引用（2）
- EVI-021 §4.3.2 + 大图样例：越分辨率泛化到 ~1024²/兆像素（支撑 CLM-021）。
- SRC-2112.10752 Latent Diffusion Model 原始论文（Rombach et al.）；Stable Diffusion 学术源头，DiT 所引『latent diffusion』。
被引用（3）
- EVI-021 §4.3.2 + 大图样例：越分辨率泛化到 ~1024²/兆像素（支撑 CLM-021）。
- 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）。
- VER-021 大图核验：§4.3.2 卷积滑窗 + Fig. thicksample/text2img_conv 支持越训练分辨率至 ~1024²/兆像素，rescale+CFG 条件已声明。supported。