Тест за модели на разпространение на видео

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Каква е основната идея зад модела на дифузия?
   • Да се научим да обръщаме процес, който постепенно добавя шум, премахвайки шума стъпка по стъпка
   • Копиране на кадри от съществуващи видеоклипове
   • Компресиране на аудио в изображения
   • Криптиране на данни за сигурност
2. For a video diffusion model, what does temporal modeling add to the denoising process?
   • It guarantees every object remains physically correct
   • It lets the model represent dependencies among frames over time
   • It removes the image decoder from the pipeline
   • It turns each video into one text token
3. Why does the cited Stable Video Diffusion model use a latent representation?
   • To avoid using any learned decoder
   • To store all frames as discrete text tokens
   • To perform video diffusion on compressed latents before decoding frames
   • To guarantee there will be no flicker
4. How did the Stable Video Diffusion paper adapt an image diffusion model for video?
   • It replaced every image layer with a speech recognizer
   • It trained only a language model on video captions
   • It removed the image model and used optical flow alone
   • It inserted temporal layers into a pretrained image model and fine-tuned them on video data
5. Каква техника помага на модела за разпространение на видео да следва стриктно текстова подкана?
   • Насоки без класификатор
   • Случайно разместване на кадри
   • Намаляване на резолюцията
   • Изцяло премахване на подканата
6. Защо техники като дестилация и по-бързи разтворители се прилагат към видео дифузията?
   • За да накарате модела да забрави данни
   • Тъй като вземането на проби с многоетапно обезшумяване е бавно и те намаляват броя на стъпките
   • За да добавите повече шум за постоянно
   • За да деактивирате текстовата подкана
7. In the Stable Video Diffusion paper, what distinguishes the SVD-XT model from the 14-frame SVD model?
   • It replaces diffusion with autoregressive text generation
   • It removes temporal layers and generates only a still image
   • SVD-XT is fine-tuned to generate 25 frames instead of 14
   • It uses audio tokens as the only conditioning input
8. What is one tradeoff when using fewer denoising steps through distillation or a faster solver?
   • Zero compute is required
   • The video no longer needs conditioning
   • Every result becomes temporally perfect
   • Faster generation may change fidelity or motion quality and must be evaluated