Kvíz spojený s průvodcem · Střední úroveň

Kvíz GLIGEN Grounded Generation

Prozkoumejte, jak GLIGEN přidává prostorové uzemnění k šíření textu do obrazu a zároveň uchovává znalosti ve zmrazeném předtrénovaném modelu.

Související vodicí cestyGligen uzemněná generace
Otázka 1 z 8

Jaký problém GLIGEN primárně řeší?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký problém GLIGEN primárně řeší?
    • Nedostatek přesné prostorové kontroly nad tím, kde se objekty objevují
    • Pomalá rychlost generování
    • Neschopnost generovat barevné obrázky
    • Chybějící zvuk ve vygenerovaných videích
  2. Jak GLIGEN uchovává znalost předtrénovaného modelu difúze?
    • Přeškolí všechny váhy od nuly
    • Zmrazí původní závaží a přidá nové trénovatelné gated self-pozornostní vrstvy
    • Vymaže textový kodér
    • Místo difúze používá GAN
  3. Jaký typický uzemňovací vstup GLIGEN přijímá?
    • Hudební skóre
    • Seznam hyperparametrů
    • Ohraničovací rámeček spárovaný s textovou nebo obrázkovou entitou
    • Tabulka hodnot pixelů
  4. Proč je brána v nových vrstvách pozornosti GLIGEN inicializována na nulu?
    • Chcete-li nejprve vytvořit obrázky ve stupních šedi
    • Chcete-li zakázat textovou výzvu
    • Pro snížení rozlišení obrazu
    • Takže chování základního modelu je zachováno na začátku tréninku a ovládání je přidáváno postupně
  5. Co v GLIGENu znamená „otevřená“ generace?
    • Může uzemnit libovolné popsané koncepty a rozvržení, které nebyly během tréninku uzemnění vidět
    • Funguje pouze na vnitřních scénách
    • Vyžaduje 3D model světa
    • Vytváří pouze venkovní krajiny
  6. Kde jsou v U-Net vloženy nové gatované samopozorné vrstvy GLIGEN?
    • Pouze na výstupu VAE
    • Mezi stávajícími samopozornými a křížovými bloky pozornosti
    • Pouze uvnitř textového kodéru
    • Před plánovačem hluku
  7. What does a GLIGEN grounding token combine?
    • A denoising timestep with a VAE decoder output
    • A color histogram with the final image resolution
    • A text or image embedding with spatial information such as a bounding box
    • A training dataset name with a classifier label
  8. Besides bounding boxes, which inputs can GLIGEN use to ground objects?
    • Only unstructured audio waveforms
    • A crop-size label without any object information
    • A list of model checkpoint filenames
    • Keypoints or reference images