Quiz lié à un guide · Moyen Niveau

Quiz sur les échantillonneurs DDPM et DDIM

Comparez l'échantillonnage inverse DDPM et DDIM, y compris l'entraînement partagé, les contrôles de stochasticité, le saut de pas de temps et les estimations d'images nettes.

Chemins de guidage associésÉchantillonneurs Ddpm et Ddim
Question 1 de 8

Quel est le principal avantage pratique de DDIM par rapport à DDPM ?

Prévisualisez chaque question8 des questions

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

  1. Quel est le principal avantage pratique de DDIM par rapport à DDPM ?
    • Il peut produire des images comparables en beaucoup moins d’étapes d’échantillonnage
    • Cela nécessite un réseau formé complètement différent
    • Il ajoute plus de bruit aléatoire à chaque étape pour une meilleure qualité
    • Cela ne fonctionne que sur les images en noir et blanc
  2. Qu'est-ce que le réseau neuronal d'un modèle de diffusion apprend réellement à prédire pendant l'entraînement ?
    • La légende finale de l'image
    • Le bruit ajouté à une image à un pas de temps donné
    • Le taux de compression de l'image
    • Les paramètres de l'appareil photo utilisés pour prendre la photo
  3. Pourquoi DDIM peut-il produire exactement la même image à partir du même bruit de départ à chaque fois ?
    • Parce qu'il met en cache les images générées précédemment
    • Parce qu'il utilise toujours une invite fixe
    • Parce que son processus d'échantillonnage est déterministe sans aucun caractère aléatoire injecté
    • Parce qu'il fait la moyenne de plusieurs exécutions aléatoires ensemble
  4. Dans DDIM, quelle valeur du paramètre eta récupère le comportement stochastique DDPM d'origine ?
    • eta = 0
    • eta = -1
    • êta = 100
    • eta = 1
  5. Environ combien d’étapes le DDPM d’origine nécessitait-il généralement pour obtenir des échantillons de haute qualité ?
    • Des centaines à environ mille pas
    • Exactement 3 étapes
    • Une seule étape
    • Plus d'un million de pas
  6. Laquelle de ces estimations constitue une quantité intermédiaire clé du DDIM avant d'aller de l'avant ?
    • La taille du fichier de sortie
    • L'image propre prédite x0
    • Longueur d'intégration de l'invite de l'utilisateur
    • La température du 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