CPT-008 Concept

Definition

LDM 两阶段框架中的感知压缩段：一个 autoencoder （encoder E + decoder D），把 RGB 图像 x∈R^(H×W×3) 编码为 感知等价（去除高频、人眼不可辨细节）但算力显著更低的 低维表示 z=E(x)，其中 encoder 以下采样因子 f 缩小空间维度 （z 形状 H/f × W/f × c）。训练目标为感知损失（LPIPS）+ patch-based 对抗目标（PatchGAN），确保重构落在图像流形上、 避免纯像素损失（L1/L2）导致的模糊。按潜空间正则分为两变体 （CPT-009 关联）：KL-reg（类 VAE 轻 KL 罚）与 VQ-reg（量化层被 decoder 吸收，VQGAN 变体）。

Disambiguation

• 与 LDM（CPT-006）的关系：感知 autoencoder 是 LDM 的前半段； LDM 是包含"感知压缩 + 潜空间扩散"的完整框架，autoencoder 只负责压缩/重构，不直接负责生成。
• 与 VQGAN 的区别：本概念允许 KL（连续）或 VQ 两种正则；VQ-reg 变体"可解释为量化被 decoder 吸收的 VQGAN"，但 LDM 的 2D-conv 使其可选更低 f、重建更保真（对比见 SRC-2112.10752 firststage 表：LDM f=8 R-FID 1.14 vs DALL·E f=8 32.01）。
• 与像素空间 DDPM（ADM）的对比：ADM 无显式 first-stage（f=1，直接在 像素上去噪），本概念正是 LDM 把 f 提离 1 的核心手段。