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.

Související vodicí cestyVzorky Ddpm a Ddim
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.

  1. 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
  2. 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
  3. 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
  4. Jaká hodnota parametru eta v DDIM obnovuje původní stochastické chování DDPM?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. Kolik kroků přibližně potřeboval původní DDPM pro vysoce kvalitní vzorky?
    • Stovky až asi tisíc kroků
    • Přesně 3 kroky
    • Jediný krok
    • Přes milion kroků
  6. 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
  7. 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
  8. 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