Kvíz spojený s průvodcem · Střední úroveň

DreamBooth kvíz

Prozkoumejte jemné doladění difúze podle předmětu DreamBooth, jeho cíl předchozího uchování a kompromisy hodnocení napříč výzvami.

Související vodicí cestyStánek snů
Otázka 1 z 8

Co DreamBooth upravuje, co Textual Inversion ne?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co DreamBooth upravuje, co Textual Inversion ne?
    • Skutečné hmotnosti modelu
    • Pouze text výzvy
    • Formát souboru obrázku
    • Ovladače GPU uživatele
  2. Jaký je účel ztráty předchozího uchování DreamBooth?
    • Pro urychlení vykreslování obrázků
    • Aby se předešlo nadměrnému vybavení a zachoval se širší koncept třídy
    • Chcete-li zmenšit velikost souboru
    • Chcete-li odstranit pozadí
  3. Jak se na předmět obvykle odkazuje ve výzvách pro školení DreamBooth?
    • Celým pravým jménem
    • Pouze pomocí číselného ID
    • Vzácným symbolem plus třídním slovem, jako je „sks pes“
    • Prostřednictvím emotikonu
  4. Kolik obrázků předmětů přibližně potřebuje DreamBooth?
    • tisíce
    • Přesně jeden
    • Sto
    • Kolem 3 až 5
  5. Jaký je běžný kompromis používání DreamBooth?
    • Větší úložiště a více výpočetní než lehké metody
    • Nižší kvalita obrazu než vložení
    • Funguje pouze s textem, nikoli s obrázky
    • Nepotřebuje vůbec žádný trénink
  6. Která kombinace se nyní široce používá k tomu, aby byl DreamBooth lehčí?
    • DreamBooth s OCR
    • DreamBooth s LoRA
    • DreamBooth s GPS
    • DreamBooth s audio modely
  7. What subject variations did the DreamBooth paper demonstrate in generated images?
    • Only the exact camera angle from the training photos
    • Only the original background pixels
    • The subject could appear in novel scenes, poses, views and lighting
    • Different subjects with no relation to the reference
  8. What kind of model parameters does LoRA adapt?
    • Only the image file metadata
    • A new pixel palette for every output
    • The dataset labels without changing model computation
    • Low-rank update matrices added to selected weight transformations