Prueba de modelos de difusión latente

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

1. ¿Cuál es la principal innovación de los modelos de difusión latente en comparación con la difusión en el espacio de píxeles?
   • Ejecutan el proceso de difusión en un espacio latente comprimido en lugar de en píxeles sin formato.
   • Eliminan la necesidad de cualquier red neuronal
   • Sólo funcionan con imágenes en blanco y negro.
   • No requieren ningún dato de entrenamiento
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. ¿Cómo se inyecta normalmente el texto en la U-Net que elimina el ruido en difusión latente?
   • Concatenando la cadena de texto sin formato con la imagen
   • Editando píxeles manualmente
   • A través de capas de atención cruzada utilizando incrustaciones de texto
   • El texto no se puede utilizar en absoluto.
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. ¿Qué aprende a hacer el modelo de difusión durante el entrenamiento?
   • Para clasificar imágenes en categorías
   • Para revertir un proceso de generación de ruido gradual y eliminarlo paso a paso
   • Para comprimir texto en audio
   • Para traducir idiomas
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