Útmutatóhoz kapcsolódó kvíz · Közepes Szint

GigaGAN méretezett generátorok kvíz

Explore GigaGAN's text-conditioned architecture, generation speed, multi-scale discriminator, latent editing, and separate high-resolution upsampler.

Kapcsolódó útmutató utakGigagan méretarányú generátorok
kérdés 1 -ból 8

What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
    • 1.0 billion total across the 652.5M base generator and 359.1M upsampler
    • 70 million total across a 64M generator and 6M discriminator
    • 1.0 billion in the base generator alone, with no upsampler
    • 3.5 billion total across two text encoders
  2. Mi a GigaGAN fő sebességelőnye a diffúziós modellekkel szemben?
    • Nem kell hozzá GPU
    • Sok zajcsökkentési lépés helyett egyetlen előremenetben hoz létre képet
    • Egy másodperc alatt edz
    • Nem használ neurális hálózatot
  3. Mit csinál a GigaGAN „minta-adaptív kernelkiválasztása”?
    • Törli a fel nem használt képpontokat
    • JPEG formátumba tömöríti a képet
    • Konvolúciós szűrőket kever össze a szöveges promptból származó súlyok segítségével
    • Automatikusan kiválasztja a GPU-t
  4. Hogyan építi be a GigaGAN a szöveges információkat a képgenerálásba?
    • A prompt levágásával
    • Teljesen figyelmen kívül hagyja a szöveget
    • A szöveget a képre nyomtatva
    • A szövegbeágyazásokra és a hozzáillő CLIP-funkciókra való keresztirányú figyelem révén
  5. Milyen extra képességet biztosít a GigaGAN az alapgeneráción túl?
    • Különálló GAN mintavevő, amely eléri a 4K felbontást
    • Hangszintézis
    • Beszédfelismerés
    • Adatbázis lekérdezés
  6. Miért hasznos a GigaGAN látens tere a szerkesztőeszközök számára?
    • Nem szerkeszthető
    • Támogatja a sima interpolációt és stíluskeverést a szabályozható változtatásokhoz
    • Csak szöveget tárol
    • Egy használat után törli a képet
  7. How does GigaGAN’s image discriminator make predictions across resolutions?
    • It scores only the text prompt and ignores generated images
    • It predicts one label at the final resolution only
    • It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
    • It compares generated images with a fixed set of training captions only
  8. What does GigaGAN’s base generator produce for later multi-scale processing?
    • A single class label for the entire image
    • A sequence of text tokens for an autoregressive decoder
    • Only the final upsampled image, with no intermediate scales
    • An image pyramid with outputs at several resolutions