Quiz sur les modèles de diffusion vidéo

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

1. Quelle est l’idée fondamentale derrière un modèle de diffusion ?
   • Apprendre à inverser un processus qui ajoute progressivement du bruit, en débruitant étape par étape
   • Copie d'images à partir de vidéos existantes
   • Compresser l'audio en images
   • Cryptage des données pour plus de sécurité
2. For a video diffusion model, what does temporal modeling add to the denoising process?
   • It guarantees every object remains physically correct
   • It lets the model represent dependencies among frames over time
   • It removes the image decoder from the pipeline
   • It turns each video into one text token
3. Why does the cited Stable Video Diffusion model use a latent representation?
   • To avoid using any learned decoder
   • To store all frames as discrete text tokens
   • To perform video diffusion on compressed latents before decoding frames
   • To guarantee there will be no flicker
4. How did the Stable Video Diffusion paper adapt an image diffusion model for video?
   • It replaced every image layer with a speech recognizer
   • It trained only a language model on video captions
   • It removed the image model and used optical flow alone
   • It inserted temporal layers into a pretrained image model and fine-tuned them on video data
5. Quelle technique aide un modèle de diffusion vidéo à suivre fortement une invite textuelle ?
   • Conseils sans classificateur
   • Mélange aléatoire des images
   • Baisser la résolution
   • Supprimer complètement l'invite
6. Pourquoi des techniques telles que la distillation et des solveurs plus rapides sont-elles appliquées à la diffusion vidéo ?
   • Pour faire oublier les données au modèle
   • Parce que l'échantillonnage de débruitage à plusieurs étapes est lent et réduit le nombre d'étapes
   • Pour ajouter plus de bruit de façon permanente
   • Pour désactiver l'invite de texte
7. In the Stable Video Diffusion paper, what distinguishes the SVD-XT model from the 14-frame SVD model?
   • It replaces diffusion with autoregressive text generation
   • It removes temporal layers and generates only a still image
   • SVD-XT is fine-tuned to generate 25 frames instead of 14
   • It uses audio tokens as the only conditioning input
8. What is one tradeoff when using fewer denoising steps through distillation or a faster solver?
   • Zero compute is required
   • The video no longer needs conditioning
   • Every result becomes temporally perfect
   • Faster generation may change fidelity or motion quality and must be evaluated