Тест за модели на латентна дифузия

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква е основната иновация на моделите на латентна дифузия в сравнение с дифузията в пространството на пикселите?
   • Те изпълняват процеса на дифузия в компресирано латентно пространство вместо върху необработени пиксели
   • Те премахват необходимостта от каквато и да е невронна мрежа
   • Те работят само върху черно-бели изображения
   • Те изобщо не изискват данни за обучение
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. Как текстът обикновено се инжектира в обезшумяващата U-Net при латентна дифузия?
   • Чрез свързване на необработения текстов низ към изображението
   • Чрез ръчно редактиране на пиксели
   • Чрез слоеве за кръстосано внимание, използващи вграждане на текст
   • Текстът изобщо не може да се използва
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. Какво се научава да прави дифузионният модел по време на обучение?
   • За класифициране на изображения в категории
   • За обръщане на постепенен процес на шум и обезшумяване стъпка по стъпка
   • За компресиране на текст в аудио
   • Да превеждам езици
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels