Prueba de muestras de DDPM y DDIM

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

1. ¿Cuál es la principal ventaja práctica de DDIM sobre DDPM?
   • Puede producir imágenes comparables en muchos menos pasos de muestreo.
   • Requiere una red entrenada completamente diferente
   • Agrega más ruido aleatorio en cada paso para una mejor calidad.
   • Sólo funciona en imágenes en blanco y negro.
2. ¿Qué aprende realmente a predecir la red neuronal de un modelo de difusión durante el entrenamiento?
   • El título final de la imagen.
   • El ruido que se agregó a una imagen en un momento determinado.
   • La relación de compresión de la imagen.
   • La configuración de la cámara utilizada para tomar la foto.
3. ¿Por qué DDIM puede producir exactamente la misma imagen a partir del mismo ruido inicial cada vez?
   • Porque almacena en caché imágenes generadas previamente.
   • Porque siempre usa un mensaje fijo.
   • Porque su proceso de muestreo es determinista sin aleatoriedad inyectada.
   • Porque promedia muchas ejecuciones aleatorias juntas
4. En DDIM, ¿qué valor del parámetro eta recupera el comportamiento estocástico original de DDPM?
   • eta = 0
   • eta = -1
   • eta = 100
   • eta = 1
5. ¿Aproximadamente cuántos pasos necesitaba normalmente el DDPM original para obtener muestras de alta calidad?
   • De cientos a aproximadamente mil pasos
   • exactamente 3 pasos
   • un solo paso
   • Más de un millón de pasos
6. ¿Cuál de estas es una cantidad intermedia clave que estima DDIM antes de dar un paso adelante?
   • El tamaño del archivo de salida.
   • La imagen limpia prevista x0
   • La longitud de incrustación del mensaje del usuario.
   • La temperatura de la 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