अव्यक्त प्रसार मॉडल प्रश्नोत्तरी

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

1. पिक्सेल-स्पेस डिफ्यूजन की तुलना में अव्यक्त डिफ्यूजन मॉडल का मुख्य नवाचार क्या है?
   • वे प्रसार प्रक्रिया को कच्चे पिक्सेल के बजाय संपीड़ित अव्यक्त स्थान में चलाते हैं
   • वे किसी भी तंत्रिका नेटवर्क की आवश्यकता को समाप्त कर देते हैं
   • वे केवल श्वेत-श्याम छवियों पर काम करते हैं
   • उन्हें किसी भी प्रशिक्षण डेटा की आवश्यकता नहीं है
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. अव्यक्त प्रसार में टेक्स्ट को आम तौर पर डीनोइज़िंग यू-नेट में कैसे इंजेक्ट किया जाता है?
   • कच्चे टेक्स्ट स्ट्रिंग को छवि से जोड़कर
   • पिक्सेल को मैन्युअल रूप से संपादित करके
   • टेक्स्ट एम्बेडिंग का उपयोग करके क्रॉस-अटेंशन परतों के माध्यम से
   • टेक्स्ट का बिल्कुल भी उपयोग नहीं किया जा सकता
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. प्रशिक्षण के दौरान प्रसार मॉडल क्या करना सीखता है?
   • छवियों को श्रेणियों में वर्गीकृत करना
   • धीरे-धीरे शोर करने की प्रक्रिया को उलटना और कदम दर कदम शोर मचाना
   • टेक्स्ट को ऑडियो में संपीड़ित करने के लिए
   • भाषाओं का अनुवाद करना
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