Κουίζ για μοντέλα λανθάνουσας διάχυσης

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Ποια είναι η κύρια καινοτομία των μοντέλων λανθάνουσας διάχυσης σε σύγκριση με τη διάχυση χώρου pixel;
   • Εκτελούν τη διαδικασία διάχυσης σε έναν συμπιεσμένο λανθάνοντα χώρο αντί σε ακατέργαστα pixel
   • Εξαλείφουν την ανάγκη για οποιοδήποτε νευρωνικό δίκτυο
   • Λειτουργούν μόνο σε ασπρόμαυρες εικόνες
   • Δεν απαιτούν καθόλου δεδομένα εκπαίδευσης
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. Πώς εγχέεται συνήθως το κείμενο στο U-Net αποθορβοποίησης σε λανθάνουσα διάχυση;
   • Συνδέοντας τη συμβολοσειρά ακατέργαστου κειμένου στην εικόνα
   • Με μη αυτόματη επεξεργασία εικονοστοιχείων
   • Μέσω επιπέδων διασταυρούμενης προσοχής με χρήση ενσωματώσεων κειμένου
   • Το κείμενο δεν μπορεί να χρησιμοποιηθεί καθόλου
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. Τι μαθαίνει να κάνει το μοντέλο διάχυσης κατά τη διάρκεια της εκπαίδευσης;
   • Για την ταξινόμηση των εικόνων σε κατηγορίες
   • Για να αντιστρέψετε μια σταδιακή διαδικασία θορύβου και να αφαιρέσετε θόρυβο βήμα προς βήμα
   • Για συμπίεση κειμένου σε ήχο
   • Για τη μετάφραση γλωσσών
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels