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.
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.
- 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
- 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
- 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
- A DDIM-ben az eta paraméter melyik értéke állítja vissza az eredeti sztochasztikus DDPM viselkedést?
- eta = 0
- eta = -1
- eta = 100
- eta = 1
- 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
- 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
- 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
- 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