Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ DDPM και DDIM Samplers

Συγκρίνετε την αντίστροφη δειγματοληψία DDPM και DDIM, συμπεριλαμβανομένης της κοινής εκπαίδευσης, των ελέγχων στοχαστικότητας, της παράβλεψης χρονικών βημάτων και των εκτιμήσεων καθαρής εικόνας.

Σχετικές διαδρομές οδηγώνDdpm και Ddim Samplers
Ερώτηση 1 του 8

Ποιο είναι το κύριο πρακτικό πλεονέκτημα του DDIM έναντι του DDPM;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Ποιο είναι το κύριο πρακτικό πλεονέκτημα του DDIM έναντι του DDPM;
    • Μπορεί να παράγει συγκρίσιμες εικόνες σε πολύ λιγότερα βήματα δειγματοληψίας
    • Απαιτεί ένα εντελώς διαφορετικό εκπαιδευμένο δίκτυο
    • Προσθέτει περισσότερο τυχαίο θόρυβο σε κάθε βήμα για καλύτερη ποιότητα
    • Λειτουργεί μόνο σε ασπρόμαυρες εικόνες
  2. Τι μαθαίνει πραγματικά να προβλέπει το νευρωνικό δίκτυο ενός μοντέλου διάχυσης κατά τη διάρκεια της εκπαίδευσης;
    • Η τελευταία λεζάντα για την εικόνα
    • Ο θόρυβος που προστέθηκε σε μια εικόνα σε ένα δεδομένο χρονικό βήμα
    • Η αναλογία συμπίεσης της εικόνας
    • Οι ρυθμίσεις της κάμερας που χρησιμοποιήθηκαν για τη λήψη της φωτογραφίας
  3. Γιατί μπορεί το DDIM να παράγει την ίδια ακριβώς εικόνα από τον ίδιο θόρυβο εκκίνησης κάθε φορά;
    • Επειδή αποθηκεύει στην κρυφή μνήμη εικόνες που έχουν δημιουργηθεί προηγουμένως
    • Επειδή χρησιμοποιεί πάντα μια σταθερή προτροπή
    • Επειδή η διαδικασία δειγματοληψίας του είναι ντετερμινιστική χωρίς τυχαιότητα
    • Επειδή υπολογίζει κατά μέσο όρο πολλές τυχαίες εκτελέσεις μαζί
  4. Στο DDIM, ποια τιμή της παραμέτρου eta ανακτά την αρχική στοχαστική συμπεριφορά DDPM;
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. Πόσα περίπου βήματα χρειαζόταν συνήθως το αρχικό DDPM για δείγματα υψηλής ποιότητας;
    • Εκατοντάδες έως περίπου χίλια βήματα
    • Ακριβώς 3 βήματα
    • Ένα μόνο βήμα
    • Πάνω από ένα εκατομμύριο βήματα
  6. Ποιο από αυτά είναι μια βασική ενδιάμεση ποσότητα που εκτιμά η DDIM πριν προχωρήσει;
    • Το μέγεθος αρχείου της εξόδου
    • Η προβλεπόμενη καθαρή εικόνα x0
    • Μήκος ενσωμάτωσης προτροπής του χρήστη
    • Η θερμοκρασία της GPU
  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