一句话结论
CDS 不训练新编辑模型，而是在冻结 Stable Diffusion 1.4 的 DDS 逐图优化中加入自注意力 patch 对比损失，以少量语义分数代价改善源图结构保持；它是专用推理目标，不是统一生成—编辑架构。
论文定位与任务接口
输入源图、source prompt 与 target prompt，经 DDS 迭代优化目标 latent。training-free 指不微调 SD 权重，不表示一次前向或低延迟；论文未报告单图迭代成本。
方法概述
- DDS 用 reference/target 两分支噪声预测差产生语义编辑方向，但缺少显式结构约束。
- CDS 直接取冻结 LDM self-attention hidden states，把相同空间 patch 设为正对、随机其他 patch 为负对，加入 InfoNCE/CUT loss。
- 无额外 encoder 训练。直接约束 score output 会过度限制语义，cross-attention 不能正确保结构，自注意力特征效果最好（PDF pp.3–7）。
数据、主干与实验
- Stable Diffusion v1.4；从 LAION-5B 采 250 张猫图，任务为 cat→dog/cow/pig。
- 对比 SDEdit、DiffuseIT、DDPM inversion+P2P/PnP、DDS。
- 指标：CLIP Accuracy、DINO-ViT structure distance、LPIPS；20 人对 6 组结果做 1–5 分人评。
- 无编辑训练数据，但能力来自 SD 预训练；GPU、步数、时长和显存未报告。
核心结果
Table 1（PDF p.6）：
| 任务 | 方法 | CLIP Acc↑ | Dist↓ | LPIPS↓ |
|---|---|---|---|---|
| cat→dog | DDS | 97.9% | 0.023 | 0.080 |
| cat→dog | CDS | 97.5% | 0.020 | 0.079 |
| cat→cow | DDS | 99.6% | 0.040 | 0.116 |
| cat→cow | CDS | 97.9% | 0.033 | 0.112 |
CDS 的结构指标小幅更好，语义分类略降，不是全指标免费提升。用户研究 CDS 的 text/structure/quality 为 4.43/4.65/4.20，DDS 为 4.06/4.05/3.64（Table 2）。
关键消融
- 移除 contrastive loss 即 DDS，姿态/腿部与梯度空间细节更易丢失（Fig.4–5）。
- self-attention feature 优于 score output 与 cross-attention feature（Fig.6）。
- 更高 loss weight 增强对象/背景保持，却削弱语义编辑；权重明确控制 editability–consistency trade-off（Fig.7）。
- PnP-style feature injection 容易对大编辑过约束；CDS 以语义 patch similarity 做软正则，定性更平衡（Fig.8）。
局限或疑问
- 作者明确指出随机 patch 选择不利或源对象姿态非常规（如回头）会失败。
- 量化只覆盖 250 张猫图和三种类别转换；对人脸、材质、多对象、局部指令的泛化未知。
- DINO/LPIPS 会奖励少改，必须与语义指标联合解释。
- 需要 source prompt 且逐图优化；对 DiT、flow 或统一多模态模型的迁移未验证。
对当前 Wiki 判断的影响
数据还是架构
在固定 SD 1.4、无新增 paired editing data、无权重更新的条件下，仅改变优化目标和特征层就改善结构指标与人评。这是“机制设计也能推动编辑”的局部直接证据；但特征来自大规模预训练，不能推出数据不重要或损失设计普遍优于数据扩充。
统一模型边界
旧 source 将 CDS 归入 unified-image-generation-editing 是误分类，现已移除。CDS 是通用 T2I 先验之上的 DDS + contrastive regularizer 专用编辑器，更支持“统一先验可被专门推理模块复用”。