Kvíz spojený s průvodcem · Střední úroveň

Google Imagen kvíz

Podívejte se, jak Imagen upravuje šíření textu, zlepšuje detaily obrazu a používá navádění a prahování během generování.

Související vodicí cestyObrázek Google
Otázka 1 z 8

Na jakém typu generativního modelu je postaven Google Imagen?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Na jakém typu generativního modelu je postaven Google Imagen?
    • Difúzní model
    • Generativní adversariální síť (GAN)
    • Pouze variační automatický kodér
    • Vykreslovací modul založený na pravidlech
  2. Klíčovým zjištěním z původního papíru Imagen bylo, že škálování, která komponenta nejvíce zlepšila výsledky?
    • Obrazová difúzní síť
    • Kodér zmrazeného textu (jazykový model)
    • Velikost tréninkové dávky
    • Počet barevných kanálů
  3. Jaké vylepšení oznámil Google pro Imagen 4 v aplikaci Gemini?
    • Ukládání souborů jako PNG
    • Generování zvuku
    • Improved text rendering in generated images
    • Komprese obrázků
  4. Původní architektura Imagen používala kaskádu, která začala generováním obrázku v jakém rozlišení?
    • 1024x1024
    • 512x512
    • 4096x4096
    • 64x64
  5. What did Google DeepMind say SynthID does for images generated with Imagen on Vertex AI?
    • Embeds an imperceptible watermark in image pixels to help identify likely Imagen output
    • Converts all images to a new file format
    • Provides a GPU chip for image training
    • Translates the prompt language
  6. Prostřednictvím které platformy Google mohou vývojáři přistupovat k Imagen pro své vlastní aplikace?
    • Google listy
    • Vertex AI
    • Google Mapy
    • Chrome DevTools
  7. What issue does dynamic thresholding address in Imagen's sampling process?
    • The model having too few text tokens in its prompt
    • The training set containing too many image resolutions
    • Pixel values becoming oversaturated when classifier-free guidance is high
    • The tokenizer splitting a word into subwords
  8. What does classifier-free guidance do during Imagen sampling?
    • Selects a class label after the image is complete
    • Upscales the image without conditioning on its prompt
    • Replaces the noise-prediction model with a fixed image lookup
    • Combines conditional and unconditioned predictions to steer generation toward the prompt