Тест, свързан с ръководство · Среден Ниво

Тест за стабилна видео дифузия

Разберете контролните точки от изображение към видео на Stable Video Diffusion, времевите слоеве, поетапното обучение и ограниченията на лиценза на модела.

Свързани ръководни пътекиСтабилна видео дифузия
Въпрос 1 на 8

What input does a public Stable Video Diffusion image-to-video checkpoint use?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. What input does a public Stable Video Diffusion image-to-video checkpoint use?
    • Едно неподвижно изображение
    • 3D мрежест файл
    • Само пълен текстов сценарий
    • Запис от микрофон
  2. Какво добави SVD към архитектурата Stable Diffusion на стабилно изображение, за да се справи с движението?
    • По-голяма цветова палитра
    • Времеви слоеве, свързващи кадри във времето
    • Модули за аудио синтез
    • Проверка на правописа за надписи
  3. Stable Video Diffusion извършва премахването на шума в какъв вид пространство, за да спести изчисления?
    • Необработено пикселно пространство с пълна разделителна способност
    • Само честотната област
    • Компресирано латентно пространство
    • Пространство за текстови токени
  4. What was significant about SVD’s research release?
    • It removed all license conditions
    • It was accessible only as a closed cloud API
    • It released audio weights but no video model
    • It made code and model weights available for research and adaptation under their license terms
  5. Приблизително колко кадъра обикновено генерират публичните контролни точки на SVD?
    • Около 14 до 25 кадъра
    • Точно 1 кадър
    • Няколко хиляди кадъра
    • Неограничен непрекъснат поток
  6. На какъв подход на обучение набляга Stability AI за SVD?
    • Единична тренировка с един изстрел върху произволни клипове
    • Поетапна рецепта: предварително обучение на изображение, предварително обучение на видео, след това висококачествена фина настройка
    • Обучение само върху неподвижни изображения
    • Изобщо без предварителна подготовка
  7. What downstream video adaptation does the SVD paper discuss using LoRA?
    • Speaker-identity adaptation for audio
    • Automatic SQL generation
    • Camera-motion-specific adaptation
    • Dependency-label prediction
  8. What additional visual-generation capability did the SVD paper explore from its base model?
    • Generating a dependency parse for every frame
    • Separating a song into instrument stems
    • Estimating speech intelligibility
    • Fine-tuning a model to jointly generate multiple views of objects