EVI-013
Evidence
§1/§2.3/§2.4：感知/语义两段分解的论述与公式（支撑 CLM-013）。
| id | EVI-013 |
|---|---|
| type | evidence |
| claims | CLM-013 |
| source | SRC-2112.10752 |
| observation | §1 Introduction（perceptual/semantic 两段分解论述）+ §2.3 Perceptual Image Compression + §2.4 Latent Diffusion Models（Eq. dmloss/ldmloss） |
| method | 第一段：autoencoder(E,D)，x∈R^(Hp×Wp×3) → z=E(x)（下采样因子 f），重构 x̂=D(z)；损失=LPIPS 感知 + patch-based 对抗目标；两种正则：KL（对标准正态加轻 KL 罚，类 VAE）与 VQ（解码器内置向量量化层，可视为量化被吸收的 VQGAN 变体）。第二段：latent 上训 ε-prediction 扩散模型（time-conditional U-Net），reweighted 简化目标 ||ε−ε_θ(z_t,t)||²。 |
| scope | 256²/512²（conv 扩至 ~1024²）；ImageNet/CelebA-HQ/FFHQ/LSUN/LAION/COCO/OpenImages/Places；f=1..32 全消融；169M–1.45B params |
Result
像素空间 DM 的学习可拆为感知压缩（去掉高频细节、语义变化很小）与语义压缩（学数据的语义/概念组合）两阶段。LDM 用显式分离替代隐式混合：first-stage autoencoder 提供与像素感知等价但算力更省的表示空间；second-stage DM 在该空间训练，采样后单次过 decoder 得图像。
Caveats
f=1（LDM-1）即退化为像素 DM，是整套消融的下界参照。KL 与 VQ 两种 first-stage 的重建能力略有差异（VQ 略逊），但实验观察到 VQ 正则化有时反而给出更好的 LDM 样张质量（见 CLM 相关消融讨论）。感知等价性是经验意义上的（LPIPS/对抗目标保证局部真实感），非数学同构。
引用（2）
- CLM-013 LDM 把图像合成拆为感知压缩（autoencoder）与语义压缩（latent 上训 DM）两段，分离感知无关细节与语义生成。
- 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）
- CLM-013 LDM 把图像合成拆为感知压缩（autoencoder）与语义压缩（latent 上训 DM）两段，分离感知无关细节与语义生成。
- 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-013 两段分解核验：感知压缩 AE + 潜空间 DM 与 §1/§2.3/§2.4（Eq.4-5）一致，DiT FRM-2212.09748 AX-2 同向互证，scope 未超。supported。