वीडियो प्रसार मॉडल प्रश्नोत्तरी

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

1. प्रसार मॉडल के पीछे मूल विचार क्या है?
   • एक ऐसी प्रक्रिया को उलटना सीखना जो धीरे-धीरे शोर बढ़ाती है, कदम दर कदम निंदा करती है
   • मौजूदा वीडियो से फ़्रेम कॉपी करना
   • ऑडियो को छवियों में संपीड़ित करना
   • सुरक्षा के लिए डेटा एन्क्रिप्ट करना
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. कौन सी तकनीक वीडियो प्रसार मॉडल को टेक्स्ट प्रॉम्प्ट का दृढ़ता से पालन करने में मदद करती है?
   • क्लासिफायर-मुक्त मार्गदर्शन
   • फ़्रेमों का बेतरतीब फेरबदल
   • संकल्प कम करना
   • प्रॉम्प्ट को पूरी तरह से हटा रहा है
6. वीडियो प्रसार के लिए आसवन और तेज़ सॉल्वर जैसी तकनीकों को क्यों लागू किया जा रहा है?
   • मॉडल को डेटा भूलने के लिए
   • क्योंकि बहु-चरणीय निरूपण नमूनाकरण धीमा है और वे चरणों की संख्या कम कर देते हैं
   • स्थायी रूप से अधिक शोर जोड़ने के लिए
   • टेक्स्ट प्रॉम्प्ट को अक्षम करने के लिए
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