CPT-005
Concept
VAE decoder variants (ft-MSE / ft-EMA)
| id | CPT-005 |
|---|---|
| type | concept |
| name | VAE decoder variants (ft-MSE / ft-EMA) |
| aliases | sd-vae-ft-mse, sd-vae-ft-ema, LDM f8 decoder |
| defined-by | SRC-2212.09748 |
Definition
DiT 实验所用 VAE 解码器权重三选一：LDM 原 f8 模型的 original decoder，及其仅微调 decoder 权重的两个变体 ft-MSE 与 ft-EMA （Stable Diffusion 发布，权重见 huggingface.co/stabilityai/sd-vae-ft-mse）。三者 encoder 相同， 故 decoder 可免重训互换（CLM-007）。
Disambiguation
- 用途分工（论文 §A.4）：scaling 分析（400K 网格、Table 4）用 ft-MSE；最终 SOTA 表（Table 2/3）用 ft-EMA——引用消融数字时 必须核对 decoder 口径。
- "SD f8 VAE" 指整条管线（encoder 8× downsample， 256×256×3 → 32×32×4），decoder 变体是其可替换末端。
引用（2）
- 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。
- 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（4）
- 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。
- EVI-004 Table 3/§5.1：DiT-XL/2-G 512 FID-50K 3.04（sFID 5.02/IS 240.82），优于全部 diffusion 但未超 StyleGAN-XL 2.41（支撑 CLM-004）。
- 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-023 局限核验：§10 原文（顺序采样慢于 GAN；f=4 AE 非逐像素精确成瓶颈、SR 已受限，'assume' 措辞）与命题一致，推断性质已声明。supported。