Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ αντιστροφής μηδενικού κειμένου

Κατανοήστε τη βασική αντιστροφή, τη βελτιστοποίηση μηδενικής ενσωμάτωσης, τις παγωμένες παραμέτρους του μοντέλου και τον τρόπο με τον οποίο η ανακατασκευή πραγματικής εικόνας υποστηρίζει επεξεργασίες που βασίζονται σε προτροπές.

Σχετικές διαδρομές οδηγώνΑντιστροφή μηδενικού κειμένου
Ερώτηση 1 του 8

Τι βελτιστοποιεί πραγματικά η αντιστροφή μηδενικού κειμένου;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι βελτιστοποιεί πραγματικά η αντιστροφή μηδενικού κειμένου;
    • Η ενσωμάτωση κενού (μηδενικού) κειμένου που χρησιμοποιείται στην καθοδήγηση χωρίς ταξινομητή
    • Τα βάρη ολόκληρης της διάχυσης U-Net
    • Τα pixel της εικόνας εισόδου απευθείας
    • Ο κωδικοποιητής εικόνας CLIP
  2. Γιατί η απλή αναστροφή DDIM γίνεται αναξιόπιστη όταν χρησιμοποιείται για επεξεργασία;
    • Λειτουργεί μόνο σε συνθετικές εικόνες
    • Η καθοδήγηση χωρίς ταξινομητή ενισχύει τη μετατόπιση ανακατασκευής του
    • Απαιτεί επανεκπαίδευση του μοντέλου
    • Δεν μπορεί να τρέξει σε λανθάνον χώρο
  3. Ποιος είναι ο κύριος στόχος της αντιστροφής μιας πραγματικής εικόνας πριν την επεξεργασία της;
    • Για συμπίεση της εικόνας για αποθήκευση
    • Για να αφαιρέσετε τα μεταδεδομένα της εικόνας
    • Για να βρείτε ένα θόρυβο/λανθάνουσα αφετηρία που αναγεννά αυτήν ακριβώς την εικόνα
    • Για να το μετατρέψετε σε κλίμακα του γκρι
  4. Πώς χειρίζεται περίπου η αντιστροφή μηδενικού κειμένου τη βελτιστοποίηση σε όλη τη διαδικασία διάχυσης;
    • Βελτιστοποιεί μια ενιαία κοινόχρηστη ενσωμάτωση για ολόκληρη την εικόνα
    • Παρακάμπτει εντελώς τη βελτιστοποίηση
    • Βελτιστοποιεί μόνο το τελικό χρονικό βήμα
    • Βελτιστοποιεί μια ξεχωριστή μηδενική ενσωμάτωση για κάθε χρονοδιάγραμμα αποθορυβοποίησης
  5. Ένα βασικό μειονέκτημα της αρχικής αντιστροφής μηδενικού κειμένου είναι ότι είναι:
    • Βελτιστοποίηση ανά εικόνα, καθιστώντας την σχετικά αργή
    • Δεν είναι δυνατή η χρήση μηνυμάτων κειμένου
    • Χρησιμοποιείται μόνο σε μικρογραφίες 8x8
    • Ασυμβίβαστο με το Stable Diffusion
  6. What does Prompt-to-Prompt use to control edits while retaining parts of an image layout?
    • A trainable 3D Gaussian representation
    • Cross-attention maps associated with prompt tokens
    • A classifier that labels every pixel as a new object
    • A new text encoder trained for each edited image
  7. What role does pivotal inversion play in null-text inversion?
    • It replaces the diffusion model with a newly trained classifier
    • It deletes the input image before reconstruction
    • It provides a per-timestep noise trajectory that anchors later optimization
    • It selects a new text prompt without using the image
  8. During null-text optimization, which components does the method keep fixed?
    • Only the input image dimensions
    • The model weights and every unconditional embedding at initialization
    • The image caption and all diffusion timesteps
    • The pretrained model weights and the conditional text embedding