Kvíz spojený s průvodcem · Střední úroveň
ControlNet kvíz
Otestujte strukturální podmínky ControlNet, zamrzlou páteř, nulovou konvoluci a chování při generování obrázků podle verze.
Otázka 1 z 8
What does ControlNet add to a pretrained text-to-image diffusion model?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- What does ControlNet add to a pretrained text-to-image diffusion model?
- A spatial conditioning path that can guide structure using inputs such as edges or pose maps
- A guarantee that every generated pixel matches the input map exactly
- A replacement for the text encoder and denoiser
- A tool that predicts the original training image
- Jaká je role vrstev „nulové konvoluce“ v ControlNet?
- Odstraní původní modelové hmotnosti
- Začínají s nulovými váhami, takže trénink začíná chováním původního modelu
- Převádějí obrázky do stupňů šedi
- Do výzvy přidávají náhodný šum
- Který z těchto vstupů je platným vstupem pro úpravu ControlNet?
- Tabulka čísel
- Zvukový průběh
- Kostra OpenPose nebo mapa hloubky
- Databázové schéma
- Jak souvisí ControlNet se základním difúzním modelem, jako je Stable Diffusion?
- Zcela nahrazuje základní model
- Funguje pouze bez základního modelu
- Běží na samostatném počítači přes internet
- Připojuje se jako trénovatelná větev, zatímco základní model zůstává zmrazený
- In a ControlNet workflow, what roles can text and spatial conditioning play?
- Text can describe semantic/style content while a spatial map supplies structural guidance
- The spatial map proves the text prompt is factually true
- Text always supplies exact pixel positions and the map supplies the object name
- The text prompt is ignored whenever a map is present
- What training-data scale does the ControlNet paper report as robust for training its controls?
- Only datasets with exactly 50 examples
- Both small datasets under 50,000 examples and large datasets over 1 million examples
- Only datasets larger than 100 million examples
- No training data is used
- What does the ControlNet paper report about combining conditioning controls?
- It permits only one edge map and requires no prompt in every case
- It accepts text prompts but no spatial controls
- It tests single or multiple conditions, with or without a text prompt
- It requires exactly two depth maps for each image
- Which pretrained part does ControlNet reuse as a strong backbone for learning spatial controls?
- A database of user prompts
- A language-model tokenizer only
- A separately trained classifier for every edge map
- The deep encoding layers of a pretrained diffusion model