CLM-022 Claim

Proposition

LDM 在 image-to-image 翻译上给出高质且高效的结果： (SR) 在 ImageNet 上以 4× bicubic 退化（遵循 SR3）、f=4 VQ 预训练 AE、LR 与 UNet 输入拼接（identity conditioner）训练后，LDM-SR 在 256² 上 FID 优于 SR3（IS 略逊），并胜过一个简单图像回归基线在感知指标上的表现；用户偏好研究中 LDM-SR 胜过 pixel 基线——"preference vs GT" 30.4%（pixel-DM 16.0%）、"二选一" 70.6%（pixel-DM 29.4%）。 (Inpainting) 在 Places 256²/512² 上，带 attention 的 LDM-4 相对像素基线 DM（LDM-1）取得至少 2.7× 的速度提升与至少 1.6× 的 FID 改善（六个 epoch 后）；且 LDM-4 的 FID 超过专用 SOTA 修复器 LaMa（虽然 LPIPS 略高于 LaMa——因为 LaMa 只产出单张均值化图像，而 LDM 给出多样化结果）；用户研究中人类偏好 LDM（preference vs GT 21.0% vs LaMa 13.6%，二选一 68.1% vs 31.9%）。一个更大的模型（387M 参数、3-level attention、无 first-stage attention）在 512² 上微调半 epoch 后刷新了图像修复的 SOTA FID。

Evidence refs

• EVI-022

Notes

SR 部分（§4.4）：LDM-SR（f=4 VQ, 169M UNet, 100 步）FID 2.8（val-split feat）/4.8（train-split）；LDM-SR-big（552M）2.4/4.3；LDM-SR-50s-guiding（184M）4.4/6.4。PSNR/SSIM 最高的仍是简单回归基线（论文承认这些指标"favor blurriness over imperfectly aligned high frequency details"）；LDM 以 post-hoc perceptual-loss guider 可再推高 PSNR/SSIM。LDM-BSR（泛化退化版本，补充 srsupptable）用于非 bicubic 退化。Inpainting 部分（§4.5）：Tab. inpaintingefficiency 给出 LDM-1 vs LDM-4（KL/VQ）、215M 参数量对齐下 256²/512² 的训练+采样吞吐与六 epoch FID；Tab. inpaintingtable 给出 LDM-4-attn / big / big-w/o-attn-ft 对 LaMa 的 FID/LPIPS/PSNR/SSIM 对比；user_study 表给出 SR 与 Inpainting 两个任务两组偏好数字。"2.7× speed-up / 1.6× FID" 是直接引用 §4.5 正文表述。