Тест за редактиране на кръстосано внимание от подкана към подкана

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква вътрешна информация използва повторно Prompt-to-Prompt, за да запази сцена?
   • Картите на кръстосано внимание, свързващи думи с региони на изображението
   • Крайните изходни пиксели
   • Състоянието на оптимизатора на модела
   • Метаданни за компресиране на изображението
2. Изисква ли Prompt-to-Prompt фина настройка на модела?
   • Да, пълно преквалифициране на редакция
   • Не, това е техника без обучение
   • Да, но само енкодера на текст
   • Само за добавяне на нови думи
3. За да смените „велосипед“ с „мотоциклет“, като запазите сцената, методът:
   • Маскира района на велосипеда на ръка
   • Обучава нов LoRA за мотоциклети
   • Картографира вниманието между съответните токени в двете подкани
   • Генерира напълно независимо изображение
4. Какво постига повторното претегляне на вниманието на токена?
   • Променя разделителната способност на изображението
   • Той изтрива токена изцяло
   • Той пренарежда думите в подканата
   • Той засилва или отслабва визуалното влияние на тази дума
5. Когато добавите дума към подканата, Prompt-to-Prompt:
   • Запазва вниманието за непроменени токени и позволява само новият токен да формира ново внимание
   • Повторно рандомизира цялото изображение
   • Игнорира добавената дума
   • Преминава към различен базов модел
6. Which separate model was trained to follow written image-editing instructions from an input image?
   • InstructPix2Pix, a conditional diffusion editor trained on generated instruction-edit pairs
   • Prompt-to-Prompt, which edits by controlling cross-attention maps during denoising
   • Null-text inversion, which optimizes unconditional embeddings for image inversion
   • LocalBlend, which creates a selected-token mask from attention maps
7. What does the Prompt-to-Prompt LocalBlend feature use to localize a change?
   • A hand-drawn mask required for every Prompt-to-Prompt edit
   • The EXIF metadata of the original image
   • Attention maps for selected prompt words to construct a spatial mask
   • A classifier that identifies image copyright
8. What extra step can enable Prompt-to-Prompt editing of a real photograph?
   • Train a new diffusion model from scratch
   • Convert the photograph into an audio spectrogram
   • Replace every cross-attention layer with a classifier
   • Invert the image into the diffusion model’s latent trajectory first