Útmutatóhoz kapcsolódó kvíz · Közepes Szint

GLIGEN Földelt Generáció Kvíz

Explore how GLIGEN adds spatial grounding to text-to-image diffusion while retaining the knowledge in a frozen pretrained model.

Kapcsolódó útmutató utakGligen földhöz helyezett generáció
kérdés 1 -ból 8

Milyen problémát old meg elsősorban a GLIGEN?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Milyen problémát old meg elsősorban a GLIGEN?
    • Az objektumok megjelenési helyének pontos térbeli szabályozásának hiánya
    • Lassú generálási sebesség
    • Képtelenség színes képeket generálni
    • Hiányzik a hang a generált videókból
  2. Hogyan őrzi meg a GLIGEN az előképzett diffúziós modell ismereteit?
    • Minden súlyt a semmiből újratanít
    • Lefagyasztja az eredeti súlyokat, és új, betanítható, zárt önfigyelő rétegeket ad hozzá
    • Törli a szövegkódolót
    • A diffúzió helyett GAN-t használ
  3. Milyen tipikus földelési bemenetet fogad el a GLIGEN?
    • Egy kotta
    • A hiperparaméterek listája
    • Szöveg- vagy képentitással párosított határolókeret
    • A képpontértékek táblázata
  4. Miért van a GLIGEN új figyelemrétegeiben a kapu nullára inicializálva?
    • A képek eleinte szürkeárnyalatossá tételéhez
    • A szöveges prompt letiltásához
    • A képfelbontás csökkentése érdekében
    • Így az alapmodell viselkedése a képzés korai szakaszában megmarad, és fokozatosan hozzáadódik a kontroll
  5. Mit jelent a GLIGEN-ben a „nyílt világ” földelt generáció?
    • Tetszőlegesen leírt koncepciókat és elrendezéseket tud földelni, amelyek a földelési képzés során nem láthatók
    • Csak beltéri jeleneteknél működik
    • 3D-s világmodell kell hozzá
    • Csak kültéri tájakat hoz létre
  6. Hol vannak a GLIGEN új, zárt önfigyelő rétegei az U-Netben?
    • Csak a VAE kimeneten
    • A meglévő ön- és keresztfigyelem blokkok között
    • Csak a szövegkódolón belül
    • A zajütemező előtt
  7. What does a GLIGEN grounding token combine?
    • A denoising timestep with a VAE decoder output
    • A color histogram with the final image resolution
    • A text or image embedding with spatial information such as a bounding box
    • A training dataset name with a classifier label
  8. Besides bounding boxes, which inputs can GLIGEN use to ground objects?
    • Only unstructured audio waveforms
    • A crop-size label without any object information
    • A list of model checkpoint filenames
    • Keypoints or reference images