Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ σταθερής διάχυσης βίντεο

Κατανοήστε τα σημεία ελέγχου εικόνας σε βίντεο του Stable Video Diffusion, τα χρονικά επίπεδα, τη σταδιακή εκπαίδευση και τα όρια άδειας μοντέλου.

Σχετικές διαδρομές οδηγώνΣταθερή διάχυση βίντεο
Ερώτηση 1 του 8

What input does a public Stable Video Diffusion image-to-video checkpoint use?

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. What input does a public Stable Video Diffusion image-to-video checkpoint use?
    • Μια μοναδική ακίνητη εικόνα
    • Ένα αρχείο 3D mesh
    • Μόνο σενάριο πλήρους κειμένου
    • Ηχογράφηση με μικρόφωνο
  2. Τι πρόσθεσε το SVD στην αρχιτεκτονική Stable Diffusion ακίνητης εικόνας για τη διαχείριση της κίνησης;
    • Μεγαλύτερη χρωματική παλέτα
    • Χρονικά στρώματα που συνδέουν τα πλαίσια με την πάροδο του χρόνου
    • Μονάδες σύνθεσης ήχου
    • Ένας ορθογραφικός έλεγχος για υπότιτλους
  3. Το Stable Video Diffusion εκτελεί τον καθαρισμό του θορύβου σε τι είδους χώρο για εξοικονόμηση υπολογιστών;
    • Ακατέργαστος χώρος pixel πλήρους ανάλυσης
    • Μόνο ο τομέας συχνότητας
    • Ένα συμπιεσμένο λανθάνον χώρο
    • Ένας διακριτικός χώρος κειμένου
  4. What was significant about SVD’s research release?
    • It removed all license conditions
    • It was accessible only as a closed cloud API
    • It released audio weights but no video model
    • It made code and model weights available for research and adaptation under their license terms
  5. Πόσα περίπου καρέ δημιουργούν συνήθως τα δημόσια σημεία ελέγχου του SVD;
    • Περίπου 14 με 25 καρέ
    • Ακριβώς 1 καρέ
    • Πολλές χιλιάδες καρέ
    • Μια απεριόριστη συνεχόμενη ροή
  6. Ποια προσέγγιση εκπαίδευσης έδωσε έμφαση στο Stability AI για το SVD;
    • Ένα μόνο πρόγραμμα εκπαίδευσης σε τυχαία κλιπ
    • Μια σταδιακή συνταγή: προεκπαίδευση εικόνων, προεκπαίδευση βίντεο και μετά βελτιστοποίηση υψηλής ποιότητας
    • Εκπαίδευση μόνο σε στατικές εικόνες
    • Καθόλου προπόνηση
  7. What downstream video adaptation does the SVD paper discuss using LoRA?
    • Speaker-identity adaptation for audio
    • Automatic SQL generation
    • Camera-motion-specific adaptation
    • Dependency-label prediction
  8. What additional visual-generation capability did the SVD paper explore from its base model?
    • Generating a dependency parse for every frame
    • Separating a song into instrument stems
    • Estimating speech intelligibility
    • Fine-tuning a model to jointly generate multiple views of objects