Kvíz spojený s průvodcem · Střední úroveň

Stabilní kvíz o šíření videa

Porozumějte kontrolním bodům, dočasným vrstvám, postupnému školení a limitům modelových licencí v rámci Stable Video Diffusion.

Související vodicí cestyStabilní šíření videa
Otázka 1 z 8

What input does a public Stable Video Diffusion image-to-video checkpoint use?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. What input does a public Stable Video Diffusion image-to-video checkpoint use?
    • Jediný statický obrázek
    • 3D síťový soubor
    • Pouze plný textový scénář
    • Záznam z mikrofonu
  2. Co přidalo SVD k architektuře Stable Diffusion se statickým obrazem, aby zvládla pohyb?
    • Větší paleta barev
    • Časové vrstvy spojující snímky v průběhu času
    • Moduly pro syntézu zvuku
    • Kontrola pravopisu pro titulky
  3. Stable Video Diffusion provádí odšumování v jakém prostoru, aby ušetřilo výpočetní výkon?
    • Surový prostor pixelů v plném rozlišení
    • Pouze frekvenční doména
    • Stlačený latentní prostor
    • Prostor pro textový token
  4. What was significant about SVD’s research release?
    • It removed all license conditions
    • It was accessible only as a closed cloud API
    • It released audio weights but no video model
    • It made code and model weights available for research and adaptation under their license terms
  5. Kolik snímků přibližně generují veřejné kontrolní body SVD?
    • Přibližně 14 až 25 snímků
    • Přesně 1 rám
    • Několik tisíc snímků
    • Nepřetržitý neomezený proud
  6. Jaký tréninkový přístup zdůraznila Stability AI pro SVD?
    • Jediný jednorázový tréninkový běh na náhodných klipech
    • Postupný recept: příprava obrazu, příprava videa a následné jemné doladění ve vysoké kvalitě
    • Trénink pouze na statických snímcích
    • Vůbec žádný předtrénink
  7. What downstream video adaptation does the SVD paper discuss using LoRA?
    • Speaker-identity adaptation for audio
    • Automatic SQL generation
    • Camera-motion-specific adaptation
    • Dependency-label prediction
  8. What additional visual-generation capability did the SVD paper explore from its base model?
    • Generating a dependency parse for every frame
    • Separating a song into instrument stems
    • Estimating speech intelligibility
    • Fine-tuning a model to jointly generate multiple views of objects