搜索 · Research KB

EVI-001

Table 2/§5.1/App.A.1：DiT-XL/2-G 256 FID-50K 2.27（sFID 4.60/IS 278.24），3 通道 guidance 口径，优于 LDM-4-G 3.60 与 StyleGAN-XL 2.30（支撑 CLM-001）。 · [result] dit-xl/2-g（三通道 cfg=1.50）：fid-50k **2.27**，sfid 4.60，is 278.24， precision 0.83，rec [body]

Evidence src-2212.09748

EVI-002

Table 4/Figure 5：XL/2 @400K adaLN-Zero FID 19.47 最低（<adaLN 25.21<cross-attn 26.14<in-context 35.24），排序训练全程保持（支撑 CLM-002）。 · [result] fid-50k（400k steps，无 guidance，ft-mse decoder）： adaln-zero **19.47** < adaln 25.21 [body]

Evidence src-2212.09748

EVI-003

Figure 8/6 + Table 4：12 变体 Gflops-FID 强负相关；异构同 Gflops 的 S/2 68.40 vs B/4 68.38 相近、缩小 p 单调改善（支撑 CLM-003）。 · [result] gflops 与 fid-50k 呈强负相关（figure 8）；gflops 相近的异构配置 fid 相近（论文举例 dit-s/2 与 dit-b/4：6.0 [body]

Evidence src-2212.09748

EVI-004

Table 3/§5.1：DiT-XL/2-G 512 FID-50K 3.04（sFID 5.02/IS 240.82），优于全部 diffusion 但未超 StyleGAN-XL 2.41（支撑 CLM-004）。 · [result] dit-xl/2-g（cfg=1.50）：fid-50k **3.04**，sfid 5.02，is 240.82， precision 0.84，recall [body]

Evidence src-2212.09748

EVI-005

Figure 10/§5.2：小模型多步采样追不平大模型（80.7 Tflops@1000 步 FID 25.9 vs 15.2 Tflops@128 步 23.7），采样算力不可替代模型算力（支撑 CLM-005）。 · [result] figure 10：小模型随步数增加的 fid 改善趋缓，无法追平大模型。论文锚点对照（§5.2）：dit-l/2 @1000 步 80.7 tflops/图 [body]

Evidence src-2212.09748

EVI-006

Figure 9/§4.2：等训练算力下大模型 FID 更低；XL/2 约 10^10 Gflops 后反超 XL/4（训练算力效率，支撑 CLM-006）。 · [result] figure 9：等训练算力下大模型始终更低 fid；小模型延长训练的曲线渐趋平缓。xl/4 与 xl/2 的交叉：约 10^10 训练 gflops 后 xl [body]

Evidence src-2212.09748

EVI-007

Table 5/§A.4：decoder original/ft-MSE/ft-EMA FID 2.46/2.30/2.27，encoder 相同免重训互换，差异有限均优于此前的 diffusion（支撑 CLM-007）。 · [result] fid-50k：original **2.46**、ft-mse **2.30**、ft-ema **2.27**； sfid：5.18 / 4.73 / 4.6 [body]

Evidence src-2212.09748

EVI-008

App. A.1：3 通道 guidance（1.5）FID 2.27 vs 4 通道（1.375）2.20，近似式 3ch(1+x)≈4ch(1+¾x)（支撑 CLM-008）。 · [result] 3ch guidance（scale 1.5）：fid-50k **2.27**；4ch guidance （scale 1.375）：fid-50k **2.2 [body]

Evidence src-2212.09748

EVI-009

§1 + Table 2/3/6：DiT-XL/2 2.27（256）/3.04（512）vs LDM-4-G 3.60/ADM-G+U 3.94 及 118.6G/524.6G 算力对照——架构论题的经验支撑（支撑 CLM-009）。 · [result] 256（table 2）：dit-xl/2-g 2.27 vs 最佳 u-net diffusion ldm-4-g 3.60、adm-g+u 3.94；512（ [body]

Evidence src-2212.09748

EVI-010

§4.1 + Table 4 + Fig.13：未调参 ADM 配方（lr 1e-4/batch 256 全表一致）全程无 loss spike，训练高度稳定（支撑 CLM-010）。 · [result] §4.1 原文："training was highly stable across all model configs and we did not obser [body]

Evidence src-2212.09748

EVI-011

§3.2 + Table 1/4：p 减半时参数量近似不变（S 33M 等）、Gflops ≥4×（S 0.36→1.41→6.06），验证 patchify 标度（支撑 CLM-011/TH-1）。 · [result] 参数量（table 4）：s 33/33/33m、b 131/130/130m、l 459/458/458m、 xl 676/675/675m（p=8/4/2）— [body]

Evidence src-2212.09748

EVI-012

Table 2/3 行内梯度：256 FID 9.62→3.22→2.27、512 12.03→4.64→3.04，档位间改善递减——CFG 效应与饱和（支撑 CLM-012）。 · [result] 256（table 2）：9.62 → 3.22（cfg1.25）→ 2.27（cfg1.50）。 512（table 3）：12.03 → 4.64（cfg1. [body]

Evidence src-2212.09748

EVI-013

§1/§2.3/§2.4：感知/语义两段分解的论述与公式（支撑 CLM-013）。 · [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：fi [body]

Evidence src-2112.10752

EVI-014

Tab.13 compute_vs_fid + 主表：LDM-4-G 271 vs ADM 916 V100-day、0.4 vs 0.12 samples/s、FID 3.60/3.95 vs 10.94（支撑 CLM-014）。 · [result] 训练算力（v100-days）：ldm-4-g **271** vs adm 916 → **≈3.4× 更少**。推理吞吐（samples/s, a100）：l [body]

Evidence src-2112.10752

EVI-015

Tab.423 firststage：matched 重建指标对比 VQGAN/DALL·E（支撑 CLM-015）。 · [result] matched 压缩下 ldm 的重建质量： - **f=8, ldm (|z|=16384, 4ch)**：r-fid **1.14**, is 201.92, [body]

Evidence src-2112.10752

EVI-016

§4.1 + Fig. cin_traincourse/speedplot：f 消融的训练/采样曲线（支撑 CLM-016）。 · [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 [body]

Evidence src-2112.10752

EVI-017

§2.5 + §4.3–4.5：cross-attention 条件机制与多模态应用（支撑 CLM-017）。 · [result] 同一个 cross-attention 注意力算子 attention(q,k,v)=softmax(qk^t/√d)v，通过改变 k/v 的来源（τ_θ(y)） [body]

Evidence src-2112.10752

EVI-018

主文 T2I 表 + ImageNet 主表：CFG 的推理期质量增益（支撑 CLM-018）。 · [result] 开启 cfg（s=1.5）前后： - **text-to-image（ms-coco, 250 步）**：ldm-kl-8 fid **23.35** → ldm [body]

Evidence src-2112.10752

EVI-019

主文 T2I 对比表 + §4.3.1：1.45B 文本条件 LDM 对比 AR/diffusion（支撑 CLM-019）。 · [result] ms-coco 250 步 text-to-image（fid↓ / is↑）： - cogview：**27.10** / 18.20（ar） - lafite [body]

Evidence src-2112.10752

EVI-020

无条件合成表：LDM 对 GAN/扩散基线的 FID/Precision/Recall（支撑 CLM-020）。 · [result] fid↓ + precision↑ + recall↑（256²）： - **celeba-hq**：vqgan+t 10.2；pggan 8.0；lsgm 7. [body]

Evidence src-2112.10752

EVI-021

§4.3.2 + 大图样例：越分辨率泛化到 ~1024²/兆像素（支撑 CLM-021）。 · [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 [body]

Evidence src-2112.10752

EVI-022

§4.4/4.5 + Tab. srtable/inpainting：SR 与 inpainting 的高质高效结果（支撑 CLM-022）。 · [result] **sr（imagenet 4×, 256²，fid↓/is↑/psnr/ssim/lpips）**： - ldm-sr（169m, 100 步）：fid **2 [body]

Evidence src-2112.10752

EVI-023

§10 Limitations + Fig. firststagecomparison：AE 重建瓶颈与迭代采样局限（支撑 CLM-023）。 · [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（d [body]

Evidence src-2112.10752