Тест за инверсия на нулев текст

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво всъщност оптимизира инверсията на нулев текст?
   • Вграждането на празен (нулев) текст, използвано в насоки без класификатор
   • Теглата на цялата дифузионна U-Net
   • Пикселите на входното изображение директно
   • Кодерът на изображения CLIP
2. Защо обикновената DDIM инверсия става ненадеждна, когато се използва за редактиране?
   • Работи само върху синтетични изображения
   • Безплатните насоки за класификатор усилва отклонението на реконструкцията
   • Това изисква преквалификация на модела
   • Не може да работи в латентно пространство
3. Каква е основната цел на обръщането на реално изображение преди редактирането му?
   • За да компресирате изображението за съхранение
   • За да премахнете метаданните на изображението
   • За да намерите шум/латентна начална точка, която регенерира точно това изображение
   • За да го конвертирате в нива на сивото
4. Приблизително как инверсията на нулев текст се справя с оптимизацията в процеса на разпространение?
   • Той оптимизира едно споделено вграждане за цялото изображение
   • Пропуска изцяло оптимизацията
   • Той оптимизира само крайната времева стъпка
   • Той оптимизира отделно нулево вграждане за всяка времева стъпка за премахване на шума
5. Ключов недостатък на оригиналната инверсия на нулев текст е, че тя е:
   • Оптимизация за всяко изображение, което я прави относително бавна
   • Не могат да се използват текстови подкани
   • Използва се само на миниатюри 8x8
   • Несъвместим със стабилна дифузия
6. What does Prompt-to-Prompt use to control edits while retaining parts of an image layout?
   • A trainable 3D Gaussian representation
   • Cross-attention maps associated with prompt tokens
   • A classifier that labels every pixel as a new object
   • A new text encoder trained for each edited image
7. What role does pivotal inversion play in null-text inversion?
   • It replaces the diffusion model with a newly trained classifier
   • It deletes the input image before reconstruction
   • It provides a per-timestep noise trajectory that anchors later optimization
   • It selects a new text prompt without using the image
8. During null-text optimization, which components does the method keep fixed?
   • Only the input image dimensions
   • The model weights and every unconditional embedding at initialization
   • The image caption and all diffusion timesteps
   • The pretrained model weights and the conditional text embedding