डीडीपीएम और डीडीआईएम सैम्पलर्स प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. डीडीपीएम की तुलना में डीडीआईएम का मुख्य व्यावहारिक लाभ क्या है?
   • यह बहुत कम नमूनाकरण चरणों में तुलनीय छवियां उत्पन्न कर सकता है
   • इसके लिए पूरी तरह से अलग प्रशिक्षित नेटवर्क की आवश्यकता होती है
   • यह बेहतर गुणवत्ता के लिए प्रत्येक चरण पर अधिक यादृच्छिक शोर जोड़ता है
   • यह केवल श्वेत-श्याम छवियों पर कार्य करता है
2. एक प्रसार मॉडल का तंत्रिका नेटवर्क वास्तव में प्रशिक्षण के दौरान क्या भविष्यवाणी करना सीखता है?
   • छवि के लिए अंतिम कैप्शन
   • वह शोर जो किसी निश्चित समय-चरण पर छवि में जोड़ा गया था
   • छवि का संपीड़न अनुपात
   • फ़ोटो लेने के लिए उपयोग की जाने वाली कैमरा सेटिंग्स
3. डीडीआईएम हर बार एक ही शुरुआती शोर से बिल्कुल एक जैसी छवि क्यों बना सकता है?
   • क्योंकि यह पहले से उत्पन्न छवियों को कैश करता है
   • क्योंकि यह हमेशा एक निश्चित प्रॉम्प्ट का उपयोग करता है
   • क्योंकि इसकी नमूनाकरण प्रक्रिया नियतात्मक है और इसमें कोई यादृच्छिकता नहीं है
   • क्योंकि यह एक साथ कई यादृच्छिक रनों का औसत निकालता है
4. डीडीआईएम में, पैरामीटर ईटा का कौन सा मान मूल स्टोकेस्टिक डीडीपीएम व्यवहार को पुनः प्राप्त करता है?
   • एटा = 0
   • एटा = -1
   • एटा = 100
   • एटा = 1
5. उच्च गुणवत्ता वाले नमूनों के लिए मूल डीडीपीएम को आमतौर पर कितने चरणों की आवश्यकता होती है?
   • सैकड़ों से लगभग एक हजार कदम
   • बिल्कुल 3 चरण
   • एक कदम
   • दस लाख से अधिक कदम
6. आगे बढ़ने से पहले इनमें से कौन सा एक प्रमुख मध्यवर्ती मात्रा डीडीआईएम अनुमान है?
   • आउटपुट का फ़ाइल आकार
   • अनुमानित स्वच्छ छवि x0
   • उपयोगकर्ता की शीघ्र एम्बेडिंग लंबाई
   • जीपीयू तापमान
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