ভিডিও ডিফিউশন মডেল কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. একটি প্রসারিত মডেলের পিছনে মৌলিক ধারণা কি?
   • এমন একটি প্রক্রিয়াকে উল্টাতে শেখা যা ধীরে ধীরে শব্দ যোগ করে, ধাপে ধাপে ডিনোইসিং
   • বিদ্যমান ভিডিও থেকে ফ্রেম কপি করা হচ্ছে
   • ইমেজ মধ্যে অডিও কম্প্রেস
   • নিরাপত্তার জন্য ডেটা এনক্রিপ্ট করা হচ্ছে
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. কোন কৌশল একটি ভিডিও ডিফিউশন মডেলকে একটি পাঠ্য প্রম্পটকে দৃঢ়ভাবে অনুসরণ করতে সাহায্য করে?
   • ক্লাসিফায়ার-মুক্ত নির্দেশিকা
   • ফ্রেমের এলোমেলো পরিবর্তন
   • রেজোলিউশন কমানো
   • সম্পূর্ণরূপে প্রম্পট অপসারণ
6. কেন পাতন এবং দ্রুত সমাধানকারীর মতো কৌশলগুলি ভিডিও ছড়িয়ে দেওয়ার ক্ষেত্রে প্রয়োগ করা হচ্ছে?
   • মডেল ডেটা ভুলে যেতে
   • কারণ বহু-পদক্ষেপ ডিনোইসিং স্যাম্পলিং ধীর এবং তারা ধাপের সংখ্যা কমিয়ে দেয়
   • স্থায়ীভাবে আরো শব্দ যোগ করতে
   • পাঠ্য প্রম্পট নিষ্ক্রিয় করতে
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