EVI-021
Evidence
§4.3.2 + 大图样例：越分辨率泛化到 ~1024²/兆像素（支撑 CLM-021）。
| id | EVI-021 |
|---|---|
| type | evidence |
| claims | CLM-021 |
| source | SRC-2112.10752 |
| observation | §4.3.2 Convolutional Sampling Beyond 256²（semantic synthesis 256² 训练→~1024²/兆像素；SR/inpainting 512²–1024²；text-cond LDM-KL-8-G rescale + CFG 直接 >256², Fig. thicksample/text2img_conv）+ §4.4/§4.5 大图生成 |
| method | dense 条件以空间对齐拼接注入（SR/inpainting，τ=id）；semantic：下采样语义图与 f=4 VQ latent 拼接，256² 训（384² crops）、滑窗卷积评估至 ~1024²/MP；text-cond：f=4 KL latent 经 component-wise std rescale，配 CFG 直接合成 >256²。 |
| scope | SR/inpainting 512²–1024²；semantic 256²→~1MP；f=4（VQ: SR/inp; KL: text>256² rescale+CFG）; 滑窗卷积 |
Result
LDM 以卷积滑窗方式越过训练分辨率：
- semantic synthesis：256²（384² crops）训练，卷积评估可生成到 ~1024² / 兆像素 级（Fig. thicksample）。
- SR、inpainting 模型同样借此产出 512²–1024² 大图。
- text 条件 LDM-KL-8-G：latent（f=4 KL）按 component-wise 标准差 rescale 后，配合 CFG，可直接合成 >256² 图像（Fig. text2img_conv）。
机制：把空间对齐的条件信息（低清图/mask/语义图）与 z_t 通道拼接，使 ε_θ 充当通用 image→image 翻译器；卷积套用（sliding window）保证跨窗口空间一致，从而放大到大图。
Caveats
"~1024²/兆像素"是卷积推广的上限，非单一训练分辨率——大图由分块滑窗拼接，跨窗口的接缝/一致性依赖 latent 的局部平滑性，并非端到端一次生成。latent 尺度（SNR，由 latent 空间幅度决定）对大图结果显著影响：f=4 KL 的原 latent 与 component-wise std rescaled 版本给出的 LDM 行为不同，rescaled + CFG 才能稳定直接合成 >256²（否则 text-cond 也会漂移）。故"能生成大图"是有条件的（正确 rescale/CFG + 卷积套用），不是无条件外推。
引用（2）
- CLM-021 密集条件 image-to-image 直接把条件拼入输入训练，conv 式条件使模型能越过训练分辨率泛化到兆像素大图。
- 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-021 密集条件 image-to-image 直接把条件拼入输入训练，conv 式条件使模型能越过训练分辨率泛化到兆像素大图。
- 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-021 大图核验：§4.3.2 卷积滑窗 + Fig. thicksample/text2img_conv 支持越训练分辨率至 ~1024²/兆像素，rescale+CFG 条件已声明。supported。