Тест, свързан с ръководство · Среден Ниво

GLIGEN Викторина за заземено поколение

Разгледайте как GLIGEN добавя пространствена основа към разпространението на текст към изображение, като същевременно запазва знанията в замразен предварително обучен модел.

Свързани ръководни пътекиGligen Grounded Generation
Въпрос 1 на 8

Какъв проблем основно решава GLIGEN?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какъв проблем основно решава GLIGEN?
    • Липса на прецизен пространствен контрол върху това къде се появяват обектите
    • Бавна скорост на генериране
    • Невъзможност за генериране на цветни изображения
    • Липсва аудио в генерираните видеоклипове
  2. Как GLIGEN запазва знанията за предварително обучения модел на дифузия?
    • Преобучава всички тежести от нулата
    • Той замразява оригиналните тежести и добавя нови обучаеми слоеве за самовнимание
    • Изтрива текстовия енкодер
    • Той използва GAN вместо дифузия
  3. Какъв типичен вход за заземяване приема GLIGEN?
    • Музикална партитура
    • Списък с хиперпараметри
    • Ограничаваща рамка, съчетана с обект на текст или изображение
    • Електронна таблица със стойности на пиксели
  4. Защо портата в новите слоеве на вниманието на GLIGEN е инициализирана на нула?
    • За да направите изображенията първо в сива скала
    • За да деактивирате текстовата подкана
    • За да намалите разделителната способност на изображението
    • Така поведението на базовия модел се запазва в началото на обучението и контролът се добавя постепенно
  5. Какво означава заземено поколение „отворен свят“ в GLIGEN?
    • Може да заземи произволно описани концепции и оформления, които не са виждани по време на обучението за заземяване
    • Работи само на сцени на закрито
    • Изисква 3D модел на света
    • Той генерира само външни пейзажи
  6. Къде са новите затворени слоеве за самовнимание на GLIGEN, вмъкнати в U-Net?
    • Само на изхода VAE
    • Между съществуващите блокове за самовнимание и кръстосано внимание
    • Само вътре в енкодера на текст
    • Преди шумовия планировчик
  7. What does a GLIGEN grounding token combine?
    • A denoising timestep with a VAE decoder output
    • A color histogram with the final image resolution
    • A text or image embedding with spatial information such as a bounding box
    • A training dataset name with a classifier label
  8. Besides bounding boxes, which inputs can GLIGEN use to ground objects?
    • Only unstructured audio waveforms
    • A crop-size label without any object information
    • A list of model checkpoint filenames
    • Keypoints or reference images