Mit dem Guide verknüpftes Quiz · Mittel Ebene

GigaGAN-Quiz zu skalierten Generatoren

Entdecken Sie die textkonditionierte Architektur, die Generierungsgeschwindigkeit, den Multiskalen-Diskriminator, die latente Bearbeitung und den separaten hochauflösenden Upsampler von GigaGAN.

Verwandte FührungspfadeGigagan-Generatoren
Frage 1 von 8

What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
    • 1.0 billion total across the 652.5M base generator and 359.1M upsampler
    • 70 million total across a 64M generator and 6M discriminator
    • 1.0 billion in the base generator alone, with no upsampler
    • 3.5 billion total across two text encoders
  2. Was ist der große Geschwindigkeitsvorteil von GigaGAN gegenüber Diffusionsmodellen?
    • Es benötigt keine GPU
    • Es erzeugt ein Bild in einem einzigen Vorwärtsdurchlauf anstelle vieler Entrauschungsschritte
    • Es trainiert in einer Sekunde
    • Es verwendet kein neuronales Netzwerk
  3. Was bewirkt GigaGANs „Sample-adaptive Kernel-Auswahl“?
    • Löscht nicht verwendete Pixel
    • Komprimiert das Bild in JPEG
    • Mischt eine Reihe von Faltungsfiltern unter Verwendung von Gewichtungen, die aus der Textaufforderung abgeleitet werden
    • Wählt die GPU automatisch aus
  4. Wie integriert GigaGAN Textinformationen in die Bilderzeugung?
    • Durch Zuschneiden der Eingabeaufforderung
    • Der Text wird vollständig ignoriert
    • Durch Drucken des Textes auf dem Bild
    • Durch Queraufmerksamkeit auf Texteinbettungen und passende CLIP-Funktionen
  5. Welche zusätzlichen Funktionen bietet GigaGAN über die Basisgenerierung hinaus?
    • Ein separater GAN-Upsampler, der eine 4K-Auflösung erreichen kann
    • Audiosynthese
    • Spracherkennung
    • Datenbankabfrage
  6. Warum ist der latente Raum von GigaGAN für Bearbeitungswerkzeuge nützlich?
    • Es kann nicht bearbeitet werden
    • Es unterstützt eine reibungslose Interpolation und Stilmischung für kontrollierbare Änderungen
    • Es speichert nur Text
    • Es löscht das Bild nach einmaliger Verwendung
  7. How does GigaGAN’s image discriminator make predictions across resolutions?
    • It scores only the text prompt and ignores generated images
    • It predicts one label at the final resolution only
    • It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
    • It compares generated images with a fixed set of training captions only
  8. What does GigaGAN’s base generator produce for later multi-scale processing?
    • A single class label for the entire image
    • A sequence of text tokens for an autoregressive decoder
    • Only the final upsampled image, with no intermediate scales
    • An image pyramid with outputs at several resolutions