Mit dem Guide verknüpftes Quiz · Mittel Ebene

DDPM- und DDIM-Sampler-Quiz

Vergleichen Sie DDPM- und DDIM-Reverse-Sampling, einschließlich gemeinsamem Training, Stochastizitätskontrollen, Zeitschrittüberspringen und Clean-Image-Schätzungen.

Verwandte FührungspfadeDdpm- und Ddim-Sampler
Frage 1 von 8

Was ist der wichtigste praktische Vorteil von DDIM gegenüber DDPM?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was ist der wichtigste praktische Vorteil von DDIM gegenüber DDPM?
    • Es kann in weitaus weniger Abtastschritten vergleichbare Bilder erzeugen
    • Es erfordert ein völlig anders ausgebildetes Netzwerk
    • Für eine bessere Qualität wird bei jedem Schritt mehr zufälliges Rauschen hinzugefügt
    • Es funktioniert nur bei Schwarzweißbildern
  2. Was lernt das neuronale Netzwerk eines Diffusionsmodells tatsächlich während des Trainings vorherzusagen?
    • Die letzte Bildunterschrift
    • Das Rauschen, das einem Bild zu einem bestimmten Zeitpunkt hinzugefügt wurde
    • Das Komprimierungsverhältnis des Bildes
    • Die Kameraeinstellungen, mit denen das Foto aufgenommen wurde
  3. Warum kann DDIM jedes Mal genau das gleiche Bild mit dem gleichen Startrauschen erzeugen?
    • Weil es zuvor generierte Bilder zwischenspeichert
    • Weil es immer eine feste Eingabeaufforderung verwendet
    • Weil sein Stichprobenverfahren deterministisch ist und keine Zufälligkeit injiziert
    • Weil es den Durchschnitt vieler zufälliger Läufe zusammen bildet
  4. Welcher Wert des Parameters eta stellt in DDIM das ursprüngliche stochastische DDPM-Verhalten wieder her?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. Wie viele Schritte benötigte das ursprüngliche DDPM normalerweise ungefähr für qualitativ hochwertige Proben?
    • Hunderte bis etwa tausend Schritte
    • Genau 3 Schritte
    • Ein einziger Schritt
    • Über eine Million Schritte
  6. Welche davon ist eine wichtige Zwischengröße, die DDIM schätzt, bevor es weitergeht?
    • Die Dateigröße der Ausgabe
    • Das vorhergesagte saubere Bild x0
    • Die Eingabeaufforderungs-Einbettungslänge des Benutzers
    • Die GPU-Temperatur
  7. What does DDIM change compared with DDPM when using a model trained with the DDPM procedure?
    • It replaces the network with a text classifier
    • It changes the training data from images to audio
    • It changes the sampling trajectory while reusing the trained denoising network
    • It removes the need to estimate noise
  8. Why can DDIM skip selected diffusion timesteps during sampling?
    • The training process never added noise
    • Each skipped timestep is replaced by a larger image
    • It copies an earlier generated image from a cache
    • Its non-Markovian sampling path can connect noise levels without visiting every training step