Quiz sur l'inversion de texte nul

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

1. Qu’est-ce que l’inversion de texte nul optimise réellement ?
   • L'intégration de texte vide (nulle) utilisée dans les conseils sans classificateur
   • Les poids de l'ensemble de la diffusion U-Net
   • Les pixels de l'image d'entrée directement
   • L'encodeur d'images CLIP
2. Pourquoi l'inversion DDIM simple devient-elle peu fiable lorsqu'elle est utilisée pour l'édition ?
   • Cela ne fonctionne que sur des images synthétiques
   • Le guidage sans classificateur amplifie sa dérive de reconstruction
   • Cela nécessite de recycler le modèle
   • Il ne peut pas fonctionner dans un espace latent
3. Quel est l’objectif principal d’inverser une image réelle avant de la modifier ?
   • Pour compresser l'image pour le stockage
   • Pour supprimer les métadonnées de l'image
   • Pour trouver un point de départ bruit/latent qui régénère cette image exacte
   • Pour le convertir en niveaux de gris
4. À peu près, comment l'inversion de texte nul gère-t-elle l'optimisation tout au long du processus de diffusion ?
   • Il optimise une seule intégration partagée pour l'ensemble de l'image
   • Il ignore complètement l'optimisation
   • Il optimise uniquement le pas de temps final
   • Il optimise une intégration nulle distincte pour chaque pas de temps de débruitage
5. L’un des principaux inconvénients de l’inversion originale du texte nul est qu’elle est :
   • Optimisation par image, ce qui la rend relativement lente
   • Impossible d'utiliser les invites textuelles
   • Utilisable uniquement sur les vignettes 8x8
   • Incompatible avec la diffusion stable
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