Quiz lié à un guide · Moyen Niveau

Quiz de réglage multi-concept de diffusion personnalisé

Passez en revue le réglage de l'attention croisée, la personnalisation en quelques plans, la régularisation et les méthodes prises en charge pour composer plusieurs concepts de Custom Diffusion.

Chemins de guidage associésRéglage multi-concept de diffusion personnalisé
Question 1 de 8

Quelle partie du modèle de diffusion Custom Diffusion ajuste-t-elle principalement ?

Prévisualisez chaque question8 des questions

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

  1. Quelle partie du modèle de diffusion Custom Diffusion ajuste-t-elle principalement ?
    • Les projections de clé et de valeur dans les couches d’attention croisée
    • Chaque poids dans le U-Net
    • Le décodeur VAE uniquement
    • Le tokeniseur de texte
  2. En quoi la diffusion personnalisée est-elle la plus remarquable par rapport aux méthodes à concept unique ?
    • Générer une vidéo au lieu d'images
    • Composer plusieurs concepts nouvellement appris dans une seule scène
    • Ne nécessitant aucune image
    • Fonctionnant uniquement sur les processeurs
  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. Pourquoi Custom Diffusion utilise-t-elle un ensemble d'images de régularisation issues de la catégorie plus large du concept ?
    • Pour accélérer la VAE
    • Pour augmenter la résolution de l'image
    • Pour supprimer les filigranes
    • Pour éviter le surapprentissage et la dérive linguistique sur le mot concept
  5. Comment deux concepts de diffusion personnalisée formés séparément peuvent-ils être utilisés ensemble ?
    • En les fusionnant via une optimisation contrainte sur les poids ajustés
    • Ils ne peuvent jamais être combinés
    • En faisant la moyenne des images d'entrée
    • En recyclant le modèle complet à partir de zéro
  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