EVI-023 Evidence

Result

论文自述两条硬局限：

1. 顺序采样仍慢于 GAN：LDM 虽比像素 DM 快（2.7× inpainting / 3.3× 采样），但本质是迭代去噪（DDIM 50–500 步或 DDPM 1000 步），而 GAN 是一步前向。故"相对像素 DM 的大幅提速"不等于"绝对采样速度上能追平 GAN"。

2. f=4 AE 重建不是逐像素精确：即便 f=4 autoencoder 的"视觉无损"（Fig. firststagecomparison 中肉眼难辨），它仍存在微小的逐像素残差——即重构图像与原图并非比特级一致。这对"只要好看就行"的合成任务无碍，但对细粒度像素精度有要求的任务（例如高精度的超分辨率、测量/对齐类）会成为瓶颈：因为生成结果必须先经过这个不完美 AE 的 decode，残差被直接带进最终像素。

   → 论文明确点名："we assume that our superresolution models are already somewhat limited in this respect"。即 SR（§4.4）正是"已被该瓶颈实际影响"的代表任务。

Caveats

"视觉无损"与"逐像素精确"是两个层级：人眼看（Fig. firststagecomparison 放大）几乎一样 ≠ 每个像素值都相同。f=4 AE 的残余误差在人眼/常用 FID/PSNR/SSIM 读数里可能小到不显眼（PSNR 23–31 dB 区间），但在"必须精确到像素值"的任务里就会显现。

"SR 已受限"是作者的推断/假设（"we assume"），不是专门针对 SR 做的对照实验证明——论文没有单独跑一组"如果 AE 完美重建，SR 能到什么 PSNR"的反事实实验。故"AE 残差是 SR 上限的主要原因"这一强度需谨慎：它排除了"SR 模型本身容量不够"之外，也不能排除"SR 任务的退化过程本身（bicubic 4×）带来的信息损失"与"AE 残差"是叠加的、难以完全解耦的两个因素——因为 SR 的质量同时受"输入 LR 图像（bicubic 退化后已丢失部分信息）"与"AЕ 重建残差"两方面限制，论文把矛头指向后者（AE），但未定量拆解两者的各自贡献比例。

"慢于 GAN"是同类模型（图像生成）之间的对比；GAN 的一步采样与 LDM 的多步去噪在计算范式上不同，不宜简单用"几步 vs 一步"衡量绝对优劣——GAN 的训练不稳定/模式坍缩（mode collapse）是 LDM 作为 likelihood-based 模型的优势（见 CLM-020 的 mode-covering 论述），而 LDM 的顺序采样慢是其代价。两条局限相互呼应：LDM 用"迭代"换来了"稳定/覆盖好"，用"AE 压缩"换来了"效率"，但相应的代价（慢 + 重建残差）也随这些好处一起来到。