EVI-022 Evidence

Result

SR（ImageNet 4×, 256²，FID↓/IS↑/PSNR/SSIM/LPIPS）：

• LDM-SR（169M, 100 步）：FID 2.8†（val feat）/ 4.8‡（train feat），IS 166.3，PSNR 24.4±3.8，SSIM 0.69±0.14。
• LDM-SR-big（552M）：FID 2.4/4.3，IS 174.9，PSNR 24.7，SSIM 0.71。
• LDM-SR-50s-guiding（184M, 50 步+guiding）：FID 4.4/6.4，PSNR 25.8, SSIM 0.74（guiding 抬 PSNR/SSIM，牺牲一点 FID）。
• LDM-SR 的 FID 优于 SR3（SR3 的 IS 更高）；PSNR/SSIM 最高者仍为简单回归基线（其偏好"模糊但对齐"），LDM 在感知质量上胜出，post-hoc perceptual-loss guider 可再推 PSNR/SSIM。

Inpainting（Places 256²/512²）：

• LDM-4（带 attention）vs pixel LDM-1：≥2.7× 训练+采样吞吐提升、≥1.6× FID 改善（6 epochs, 256²/512²，215M 对齐）。
• LDM-4 FID 优于 LaMa（专用 SOTA 修复器）；LPIPS 略高于 LaMa——LaMa 单张均值化图像 LPIPS 更低（更接近原图的均值），LDM 多样样张平均 LPIPS 略高但整体 FID（分布级）更好。
• big（387M，3-level attention，无 first-stage attention 以省高清 VRAM）在 512² 微调半 epoch 后 → 刷新图像修复 SOTA FID。
• 用户研究（user_study 表）：Inpainting — LDM-4 GT-preference 21.0% vs LaMa 13.6%；pairwise 68.1% vs 31.9%。

Caveats

SR 的 PSNR/SSIM 由回归基线拿第一是指标特性（"favor blurriness over imperfectly aligned HF details"），不代表感知更好；LDM 的 2.4/2.8 FID 才是分布级质量的正确读数，PSNR 24.4–25.8 只是参考。"2.7×/1.6×" 与 "FID 2.4–4.4、PSNR 24.4–25.8" 是 215M/387M 对齐下 6 epochs 的中位读数，随分辨率（256²/512²）与 KL/VQ 微调漂移；512² 需 500 步级采样，256² 100 步足够。Inpainting 的 LPIPS 略劣于 LaMa 与 FID 更优并存，说明 LPIPS（单样本感知距离）与 FID（分布匹配）在此任务上排序不一致——LaMa 赢在"单张更像原图均值"，LDM 赢在"多样样本整体分布更对"，两者是不同维度。