Cuestionario vinculado a una guía · Medio Nivel

Cuestionario de ajuste de conceptos múltiples de difusión personalizada

Revise el ajuste de atención cruzada, la personalización de pocas tomas, la regularización y las formas admitidas de componer múltiples conceptos de Custom Diffusion.

Rutas de guía relacionadasAjuste personalizado de múltiples conceptos de difusión
Pregunta 1 de 8

¿Qué parte del modelo de difusión ajusta principalmente la Difusión personalizada?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué parte del modelo de difusión ajusta principalmente la Difusión personalizada?
    • Las proyecciones clave y de valor en capas de atención cruzada
    • Cada peso en la U-Net
    • Solo el decodificador VAE
    • El tokenizador de texto
  2. ¿En qué se destaca la difusión personalizada en comparación con los métodos de concepto único?
    • Generando video en lugar de imágenes
    • Componer múltiples conceptos recién aprendidos en una escena.
    • No requiere ninguna imagen
    • Ejecutándose solo en CPU
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. ¿Por qué Custom Diffusion utiliza un conjunto de imágenes de regularización de la categoría más amplia del concepto?
    • Para acelerar el VAE
    • Para aumentar la resolución de la imagen
    • Para eliminar marcas de agua
    • Para evitar el sobreajuste y la deriva del lenguaje en la palabra conceptual
  5. ¿Cómo se pueden utilizar juntos dos conceptos de difusión personalizada formados por separado?
    • Fusionándolos mediante una optimización restringida sobre los pesos sintonizados
    • Nunca se pueden combinar
    • Promediando las imágenes de entrada
    • Volviendo a entrenar el modelo completo desde cero
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation