Quiz sur la génération de mouvements AnimateDiff

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Quelle est l’idée principale derrière AnimateDiff ?
   • Entraîner un tout nouveau modèle vidéo à partir de zéro sur des millions de clips
   • Interpolation entre deux images en utilisant uniquement le flux optique
   • Enregistrer une vraie vidéo et la relooker image par image
   • Brancher un module de mouvement entraîné dans un modèle de diffusion d'image figé
2. What checkpoint compatibility condition matters when reusing an AnimateDiff motion module?
   • Every image generator accepts every motion module regardless of architecture
   • The personalized image checkpoint must be compatible with the supported base architecture and module
   • Freezing any arbitrary model makes it automatically compatible
   • The image checkpoint's filename alone establishes compatibility
3. Comment le module de mouvement maintient-il les images cohérentes les unes avec les autres ?
   • Grâce à des couches d'attention temporelles qui permettent aux cadres d'être présents dans le temps
   • En floutant chaque image de manière égale
   • En générant une seule image et en la copiant
   • En utilisant une animation fixe préenregistrée
4. Quelle famille de modèles AnimateDiff est-elle la plus associée à l’extension ?
   • Modèles de langage GPT
   • Modèles de reconnaissance vocale
   • Modèles d’images à diffusion stable
   • Modèles de régression tabulaire
5. Que contrôle généralement une LoRA de mouvement dans l'écosystème AnimateDiff ?
   • Le vocabulaire de l'encodeur de texte
   • Mouvements de caméra spécifiques comme le panoramique, le zoom ou le roulis
   • La piste audio de la vidéo
   • Le format de fichier de la sortie
6. How should a sixteen-frame AnimateDiff result be interpreted relative to the method's possible configurations?
   • As a guarantee that every deployment must output exactly sixteen frames
   • As proof that the method generates a feature-length film in one step
   • As a rule that the generated video contains only a single still image
   • As a short-clip configuration, rather than a universal fixed duration for every version
7. What does SparseCtrl add to an AnimateDiff-style generation workflow?
   • A requirement to provide a manually labeled image for every frame
   • An audio transcription model that replaces temporal attention
   • Conditioning from a sparse set of reference images at selected frame positions
   • A guarantee that any unrelated image architecture is compatible
8. How does a motion LoRA's camera control differ from SparseCtrl's reference-image guidance?
   • A motion LoRA steers a learned movement pattern, while SparseCtrl supplies visual content at selected frames
   • They are identical names for a text tokenizer
   • SparseCtrl controls only the video filename
   • Motion LoRAs require a complete reference frame at every timestamp