Quiz sur les modèles de diffusion latente

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

1. Quelle est la principale innovation des modèles de diffusion latente par rapport à la diffusion dans l’espace pixel ?
   • Ils exécutent le processus de diffusion dans un espace latent compressé plutôt que sur des pixels bruts
   • Ils éliminent le besoin de tout réseau neuronal
   • Ils ne fonctionnent que sur des images en noir et blanc
   • Ils ne nécessitent aucune donnée de formation
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. Comment le texte est-il généralement injecté dans le U-Net débruitant en diffusion latente ?
   • En concaténant la chaîne de texte brut à l'image
   • En modifiant manuellement les pixels
   • Grâce à des couches d'attention croisée utilisant des intégrations de texte
   • Le texte ne peut pas du tout être utilisé
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. Qu’apprend-il à faire le modèle de diffusion pendant la formation ?
   • Pour classer les images en catégories
   • Pour inverser un processus de bruit progressif et débruiter étape par étape
   • Pour compresser du texte en audio
   • Traduire des langues
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