Prueba de inversión de texto nulo

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

1. ¿Qué optimiza realmente la inversión de texto nulo?
   • La incrustación de texto vacío (nulo) utilizada en la guía sin clasificador
   • Los pesos de toda la difusión U-Net.
   • Los píxeles de la imagen de entrada directamente.
   • El codificador de imágenes CLIP
2. ¿Por qué la inversión DDIM simple deja de ser confiable cuando se usa para editar?
   • Sólo funciona en imágenes sintéticas.
   • La guía sin clasificador amplifica su deriva de reconstrucción
   • Requiere volver a entrenar el modelo.
   • No puede ejecutarse en el espacio latente.
3. ¿Cuál es el objetivo principal de invertir una imagen real antes de editarla?
   • Para comprimir la imagen para su almacenamiento
   • Para eliminar los metadatos de la imagen
   • Para encontrar un punto de partida de ruido/latente que regenere esa imagen exacta
   • Para convertirlo a escala de grises
4. Aproximadamente, ¿cómo maneja la inversión de texto nulo la optimización en todo el proceso de difusión?
   • Optimiza una única incrustación compartida para toda la imagen.
   • Se salta la optimización por completo
   • Optimiza sólo el paso de tiempo final.
   • Optimiza una incrustación nula separada para cada paso de tiempo de eliminación de ruido
5. Una desventaja clave de la inversión de texto nulo original es que es:
   • Optimización por imagen, lo que la hace relativamente lenta
   • No se pueden utilizar mensajes de texto
   • Solo utilizable en miniaturas de 8x8
   • Incompatible con la difusión estable
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