সুপ্ত ডিফিউশন মডেল কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. পিক্সেল-স্পেস ডিফিউশনের তুলনায় সুপ্ত প্রসারণ মডেলগুলির প্রধান উদ্ভাবন কী?
   • তারা কাঁচা পিক্সেলের পরিবর্তে একটি সংকুচিত সুপ্ত স্থানে প্রসারণ প্রক্রিয়া চালায়
   • তারা যে কোনও নিউরাল নেটওয়ার্কের প্রয়োজনীয়তা দূর করে
   • তারা শুধুমাত্র সাদা-কালো ছবিতে কাজ করে
   • তাদের কোনো প্রশিক্ষণের ডেটার প্রয়োজন নেই
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. সুপ্ত প্রসারণে টেক্সট সাধারণত ডিনোইসিং ইউ-নেটে কীভাবে প্রবেশ করা হয়?
   • ইমেজে কাঁচা পাঠ্য স্ট্রিং সংযুক্ত করে
   • ম্যানুয়ালি পিক্সেল সম্পাদনা করে
   • টেক্সট এম্বেডিং ব্যবহার করে ক্রস-অ্যাটেনশন লেয়ারের মাধ্যমে
   • টেক্সট ব্যবহার করা যাবে না
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. প্রসারিত মডেল প্রশিক্ষণের সময় কি করতে শেখে?
   • শ্রেণীতে ছবি শ্রেণীবদ্ধ করতে
   • ধাপে ধাপে একটি ক্রমাগত গোলমাল প্রক্রিয়া এবং denoise বিপরীত করা
   • পাঠ্যকে অডিওতে সংকুচিত করতে
   • ভাষা অনুবাদ করতে
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels