Тест, свързан с ръководство · Среден Ниво

Тест за SDXL и каскадна дифузия

Проверете латентната дифузия на SDXL, бързите енкодери, кондиционирането на размера и културата и стабилните етапи със супер разделителна способност, използвани в каскади.

Свързани ръководни пътекиSdxl и каскадна дифузия
Въпрос 1 на 8

С каква собствена разделителна способност SDXL генерира изображения в сравнение с оригиналната Stable Diffusion?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. С каква собствена разделителна способност SDXL генерира изображения в сравнение с оригиналната Stable Diffusion?
    • 1024x1024 срещу 512x512
    • 256x256 срещу 128x128
    • 2048x2048 срещу 1024x1024
    • 768x768 срещу 256x256
  2. Каква е ролята на модела на рафиниране на SDXL?
    • Той кодира текстовата подкана
    • Добавя фини детайли по време на последните стъпки за намаляване на шума
    • Той компресира изображения в латентно пространство
    • Той генерира първоначалния случаен шум
  3. Колко текстови енкодера използва SDXL?
    • един
    • три
    • две
    • Нула
  4. Каква е основната идея на каскадната дифузия?
    • Обучение на един гигантски модел на всички разделителни способности наведнъж
    • Премахване на текстовия енкодер за ускоряване на генерирането
    • Замяна на дифузията с GAN на всеки етап
    • Свързване на базов модел с дифузионни модели със супер разделителна способност, които прогресивно нарастват
  5. Защо SDXL обезшумява в латентно пространство, а не директно върху пиксели?
    • Това прави обезшумяването по-евтино от изчислителна гледна точка
    • Скритите космически изображения изглеждат по-цветни
    • Пикселите не могат да бъдат премахнати
    • Избягва нуждата от текстова подкана
  6. Коя техника намалява SDXL до само една до четири стъпки на генериране?
    • Кондициониране на културите
    • Методи за дестилация като SDXL Turbo и модели на латентна консистенция
    • Добавяне на още текстови кодери
    • Увеличаване на размера на VAE
  7. What do SDXL's size and crop conditioning inputs tell the model?
    • Which training dataset owns the prompt
    • The number of denoising steps to run
    • The target image size and framing or crop
    • The image's final file format and compression level
  8. What problem does noise-conditioning augmentation address in a cascaded diffusion pipeline?
    • Премахва необходимостта от текстова подкана
    • It guarantees that every stage produces the same resolution
    • It converts the latent image into an audio signal
    • It helps later super-resolution stages handle errors or uncertainty in the previous stage's low-resolution image