Útmutatóhoz kapcsolódó kvíz · Közepes Szint

DDPM és DDIM mintavevők kvíz

Compare DDPM and DDIM reverse sampling, including shared training, stochasticity controls, timestep skipping, and clean-image estimates.

Kapcsolódó útmutató utakDdpm és Ddim mintavevők
kérdés 1 -ból 8

Mi a DDIM fő gyakorlati előnye a DDPM-mel szemben?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a DDIM fő gyakorlati előnye a DDPM-mel szemben?
    • Sokkal kevesebb mintavételi lépésben képes összehasonlítható képeket készíteni
    • Ehhez teljesen más képzett hálózatra van szükség
    • Minden lépésnél több véletlenszerű zajt ad a jobb minőség érdekében
    • Csak fekete-fehér képeken működik
  2. Mit tanul meg a diffúziós modell neurális hálózata valójában megjósolni a képzés során?
    • A kép utolsó felirata
    • A képhez adott időlépésben hozzáadott zaj
    • A kép tömörítési aránya
    • A fénykép készítéséhez használt kamerabeállítások
  3. Miért képes a DDIM minden alkalommal pontosan ugyanazt a képet előállítani ugyanabból a kezdőzajból?
    • Mert a korábban generált képeket gyorsítótárazza
    • Mert mindig fix promptot használ
    • Mivel a mintavételi folyamata determinisztikus, nincs beinjektált véletlenszerűség
    • Mert ez sok véletlenszerű összefutást átlagol
  4. A DDIM-ben az eta paraméter melyik értéke állítja vissza az eredeti sztochasztikus DDPM viselkedést?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. Körülbelül hány lépésre volt szüksége az eredeti DDPM-nek a jó minőségű mintákhoz?
    • Száz-kb. ezer lépés
    • Pontosan 3 lépés
    • Egyetlen lépés
    • Több mint egymillió lépés
  6. Ezek közül melyik a kulcsfontosságú köztes mennyiség, amelyet a DDIM becsül, mielőtt továbblép?
    • A kimenet fájlmérete
    • Az előre jelzett tiszta kép x0
    • A felhasználó azonnali beágyazási hossza
    • A GPU hőmérséklete
  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