গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
গিগাগান স্কেল্ড জেনারেটর কুইজ
GigaGAN-এর টেক্সট-কন্ডিশনড আর্কিটেকচার, জেনারেশন স্পিড, মাল্টি-স্কেল ডিসক্রিমিনেটর, লুকানো এডিটিং এবং আলাদা হাই-রেজোলিউশন আপস্যাম্পলার এক্সপ্লোর করুন।
প্রশ্ন 1 এর 8
What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
- 1.0 billion total across the 652.5M base generator and 359.1M upsampler
- 70 million total across a 64M generator and 6M discriminator
- 1.0 billion in the base generator alone, with no upsampler
- 3.5 billion total across two text encoders
- ডিফিউশন মডেলের উপরে গিগাগানের একটি প্রধান গতির সুবিধা কী?
- এটার কোন GPU লাগবে না
- এটি অনেকগুলি ডিনোইসিং ধাপের পরিবর্তে একটি একক ফরোয়ার্ড পাসে একটি চিত্র তৈরি করে৷
- এটি এক সেকেন্ডে ট্রেনিং করে
- এটি কোন নিউরাল নেটওয়ার্ক ব্যবহার করে না
- GigaGAN এর 'নমুনা-অভিযোজিত কার্নেল নির্বাচন' কী করে?
- অব্যবহৃত পিক্সেল মুছে দেয়
- চিত্রটিকে JPEG-তে সংকুচিত করে
- টেক্সট প্রম্পট থেকে প্রাপ্ত ওজন ব্যবহার করে কনভোলিউশন ফিল্টারগুলির একটি ব্যাঙ্ককে মিশ্রিত করে
- GPU স্বয়ংক্রিয়ভাবে বাছাই করে
- কিভাবে GigaGAN ইমেজ জেনারেশনে টেক্সট তথ্য অন্তর্ভুক্ত করে?
- প্রম্পট ক্রপ করে
- এটি সম্পূর্ণরূপে পাঠ্য উপেক্ষা করে
- ছবির উপর লেখা প্রিন্ট করে
- টেক্সট এম্বেডিং এবং মিলিত CLIP বৈশিষ্ট্যগুলির প্রতি ক্রস-মনোযোগের মাধ্যমে
- বেস জেনারেশনের বাইরে গিগাগান কোন অতিরিক্ত ক্ষমতা প্রদান করে?
- একটি পৃথক GAN আপস্যাম্পলার যা 4K রেজোলিউশনে পৌঁছাতে পারে
- অডিও সংশ্লেষণ
- বক্তৃতা স্বীকৃতি
- ডাটাবেস অনুসন্ধান
- কেন GigaGAN এর সুপ্ত স্থান সম্পাদনা সরঞ্জামের জন্য উপযোগী?
- এটা সম্পাদনা করা যাবে না
- এটি নিয়ন্ত্রণযোগ্য পরিবর্তনের জন্য মসৃণ ইন্টারপোলেশন এবং শৈলী মিশ্রণ সমর্থন করে
- এটি শুধুমাত্র পাঠ্য সঞ্চয় করে
- এটি এক ব্যবহারের পর ছবিটি মুছে ফেলে
- How does GigaGAN’s image discriminator make predictions across resolutions?
- It scores only the text prompt and ignores generated images
- It predicts one label at the final resolution only
- It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
- It compares generated images with a fixed set of training captions only
- What does GigaGAN’s base generator produce for later multi-scale processing?
- A single class label for the entire image
- A sequence of text tokens for an autoregressive decoder
- Only the final upsampled image, with no intermediate scales
- An image pyramid with outputs at several resolutions