Kvíz spojený s průvodcem · Střední úroveň
Kvíz o vzorcích DDPM a DDIM
Porovnejte zpětné vzorkování DDPM a DDIM, včetně sdíleného školení, řízení stochasticity, přeskakování časových kroků a odhadů čistého obrazu.
Otázka 1 z 8
Jaká je hlavní praktická výhoda DDIM oproti DDPM?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká je hlavní praktická výhoda DDIM oproti DDPM?
- Může vytvářet srovnatelné obrázky v mnohem menším počtu vzorkovacích kroků
- Vyžaduje to úplně jinou trénovanou síť
- Přidává více náhodného šumu v každém kroku pro lepší kvalitu
- Funguje pouze na černobílých snímcích
- Co se vlastně neuronová síť difúzního modelu naučí předpovídat během tréninku?
- Závěrečný popisek k obrázku
- Šum, který byl přidán do obrázku v daném časovém kroku
- Kompresní poměr obrázku
- Nastavení fotoaparátu použité k pořízení fotografie
- Proč může DDIM pokaždé vytvořit přesně stejný obraz ze stejného počátečního šumu?
- Protože ukládá dříve vygenerované obrázky
- Protože vždy používá pevnou výzvu
- Protože jeho proces vzorkování je deterministický bez vstřikované náhodnosti
- Protože to průměruje mnoho náhodných běhů dohromady
- Jaká hodnota parametru eta v DDIM obnovuje původní stochastické chování DDPM?
- eta = 0
- eta = -1
- eta = 100
- eta = 1
- Kolik kroků přibližně potřeboval původní DDPM pro vysoce kvalitní vzorky?
- Stovky až asi tisíc kroků
- Přesně 3 kroky
- Jediný krok
- Přes milion kroků
- Která z těchto hodnot je klíčovou mezilehlou veličinou, kterou DDIM odhaduje, než udělá krok vpřed?
- Velikost výstupního souboru
- Předpokládaný čistý obraz x0
- Délka vložení výzvy uživatele
- Teplota GPU
- What does DDIM change compared with DDPM when using a model trained with the DDPM procedure?
- It replaces the network with a text classifier
- It changes the training data from images to audio
- It changes the sampling trajectory while reusing the trained denoising network
- It removes the need to estimate noise
- Why can DDIM skip selected diffusion timesteps during sampling?
- The training process never added noise
- Each skipped timestep is replaced by a larger image
- It copies an earlier generated image from a cache
- Its non-Markovian sampling path can connect noise levels without visiting every training step