Mit dem Guide verknüpftes Quiz · Mittel Ebene

Custom Diffusion Multi-Concept Tuning Quiz

Sehen Sie sich Custom Diffusions Cross-Attention-Tuning, Fow-Shot-Personalisierung, Regularisierung und unterstützte Möglichkeiten zum Verfassen mehrerer Konzepte an.

Verwandte FührungspfadeBenutzerdefiniertes Diffusions-Multi-Concept-Tuning
Frage 1 von 8

Welchen Teil des Diffusionsmodells optimiert Custom Diffusion hauptsächlich?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welchen Teil des Diffusionsmodells optimiert Custom Diffusion hauptsächlich?
    • Die Schlüssel- und Wertprojektionen in Queraufmerksamkeitsebenen
    • Jedes Gewicht im U-Net
    • Nur der VAE-Decoder
    • Der Text-Tokenizer
  2. Was zeichnet Custom Diffusion im Vergleich zu Einzelkonzept-Methoden am meisten aus?
    • Videos statt Bilder generieren
    • Komponieren mehrerer neu erlernter Konzepte in einer Szene
    • Es sind überhaupt keine Bilder erforderlich
    • Läuft nur auf CPUs
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. Warum verwendet Custom Diffusion eine Reihe von Regularisierungsbildern aus der breiteren Kategorie des Konzepts?
    • Um die VAE zu beschleunigen
    • Zur Erhöhung der Bildauflösung
    • Zum Entfernen von Wasserzeichen
    • Um eine Überanpassung und Sprachdrift beim Konzeptwort zu verhindern
  5. Wie können zwei separat trainierte Custom Diffusion-Konzepte zusammen verwendet werden?
    • Indem sie über eine eingeschränkte Optimierung der abgestimmten Gewichte zusammengeführt werden
    • Sie können niemals kombiniert werden
    • Durch Mittelung der Eingabebilder
    • Durch Neuschulung des gesamten Modells von Grund auf
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation