Тест, свързан с ръководство · Среден Ниво

Тест за скалирани генератори на GigaGAN

Разгледайте обусловената от текст архитектура на GigaGAN, скоростта на генериране, мулти-мащабния дискриминатор, латентното редактиране и отделен семплер с висока разделителна способност.

Свързани ръководни пътекиГигаган мащабирани генератори
Въпрос 1 на 8

What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
    • 1.0 billion total across the 652.5M base generator and 359.1M upsampler
    • 70 million total across a 64M generator and 6M discriminator
    • 1.0 billion in the base generator alone, with no upsampler
    • 3.5 billion total across two text encoders
  2. Какво е основното предимство на скоростта на GigaGAN пред дифузионните модели?
    • Не се нуждае от GPU
    • Той генерира изображение с едно преминаване напред вместо много стъпки за премахване на шума
    • Обучава се за една секунда
    • Не използва невронна мрежа
  3. Какво прави „изборът на адаптивно към извадка ядро“ на GigaGAN?
    • Изтрива неизползваните пиксели
    • Компресира изображението в JPEG
    • Смесва банка от филтри за навиване, използвайки тегла, получени от текстовата подкана
    • Избира графичния процесор автоматично
  4. Как GigaGAN включва текстова информация в генерирането на изображения?
    • Чрез изрязване на подканата
    • Той напълно игнорира текста
    • Чрез отпечатване на текста върху изображението
    • Чрез кръстосано внимание към вграждането на текст и съвпадение на функциите на CLIP
  5. Какви допълнителни възможности предоставя GigaGAN извън базовото поколение?
    • Отделен GAN upsampler, който може да достигне 4K резолюция
    • Аудио синтез
    • Разпознаване на реч
    • Запитване към база данни
  6. Защо латентното пространство на GigaGAN е полезно за инструменти за редактиране?
    • Не може да се редактира
    • Поддържа плавна интерполация и смесване на стилове за контролируеми промени
    • Той съхранява само текст
    • Изтрива изображението след едно използване
  7. How does GigaGAN’s image discriminator make predictions across resolutions?
    • It scores only the text prompt and ignores generated images
    • It predicts one label at the final resolution only
    • It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
    • It compares generated images with a fixed set of training captions only
  8. What does GigaGAN’s base generator produce for later multi-scale processing?
    • A single class label for the entire image
    • A sequence of text tokens for an autoregressive decoder
    • Only the final upsampled image, with no intermediate scales
    • An image pyramid with outputs at several resolutions