EVI-016
Evidence
§4.1 + Fig. cin_traincourse/speedplot：f 消融的训练/采样曲线（支撑 CLM-016）。
| id | EVI-016 |
|---|---|
| type | evidence |
| claims | CLM-016 |
| source | SRC-2112.10752 |
| observation | §4.1 On Perceptual Compression Tradeoffs + Fig. cin_traincourse（2M steps 样张随训练进度）+ Fig. speedplot（采样速度 vs FID, DDIM）+ Tab. cin_hyperparams（z-shape/通道/模型规模 391–396M/batch） |
| method | class-conditional ImageNet 256²；f∈{1,2,4,8,16,32}；参数量对齐 ~391–396M；2M steps；单 A100；linear 噪声调度 1000 步；DDIM 采样（25–100 步）测吞吐与 FID 关系。 |
| scope | f=1,2,4,8,16,32；~391–396M；2M steps；单 A100；ImageNet |
Result
训练进度（Fig. cin_traincourse，2M steps）：
- LDM-{1,2}（低压缩）：进度慢——因把大部分感知压缩任务交给了扩散模型本身，像素级的高维空间使其收敛迟滞。
- LDM-{4,8}：兼具较快的早期收敛与较高的渐近质量，为甜区。
- LDM-{16,32}（高压缩）：first-stage 压缩过强→信息损失，样张保真度在较少步数后即停滞（上限被 first-stage 锁死）。
量化差距：LDM-1（像素基线）与 LDM-8 之间的 FID gap 在 2M steps 后达 38。
采样速度（Fig. speedplot，DDIM，CelebA-HQ & ImageNet）：LDM-{4,8} 相对不合适的压缩比（过低/过高）的模型，在更低 FID 的同时实现更高的 samples/sec——二者兼顾。
Caveats
f 的选择是数据集相关的：ImageNet（复杂自然场景）需要较低压缩（f=4/8）以避免质量损失；CelebA-HQ（人脸，结构较规整）可以用较高 f 换取速度而质量损失较小。参数量"对齐"是名义上的（391–396M 区间内），实际各 f 的通道配置不同（channels 192/256, multiplier 随 f 变化），因此"参数量对齐"不完全等同于"算力对齐"——低 f 的模型虽然参数相同，但其 latent 空间维度更高，单次前向的 Gflops 实际上更高。这解释了为何 LDM-1/2 不仅"进度慢"，而且其"慢"是结构性的（latent 维度高→每步贵），不只是收敛动力学问题。
引用（2）
- CLM-016 f 消融中 f=4/8 平衡训练进度与渐近质量；f=1/2 太慢、f=16/32 过早停滞（LDM-1 与 LDM-8 差距 38 FID）。
- 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-016 f 消融中 f=4/8 平衡训练进度与渐近质量；f=1/2 太慢、f=16/32 过早停滞（LDM-1 与 LDM-8 差距 38 FID）。
- 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-016 f 甜区核验：f=4/8 最优与 §4.1 消融、FID gap 38（LDM-1 vs LDM-8 @2M）正文引语一致，scope 限 ImageNet/2M/单 A100。supported。