Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Stabil videó diffúziós kvíz
Understand Stable Video Diffusion’s image-to-video checkpoints, temporal layers, staged training, and model-license limits.
kérdés 1 -ból 8
What input does a public Stable Video Diffusion image-to-video checkpoint use?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- What input does a public Stable Video Diffusion image-to-video checkpoint use?
- Egyetlen állókép
- 3D mesh fájl
- Csak teljes szöveges forgatókönyv
- Egy mikrofonfelvétel
- Mit adott hozzá az SVD az állókép stabil diffúziós architektúrájához a mozgás kezeléséhez?
- Nagyobb színpaletta
- Időbeli rétegek, amelyek idővel összekötik a kereteket
- Hangszintézis modulok
- Helyesírás-ellenőrző a feliratokhoz
- A Stable Video Diffusion milyen helyen végzi el a zajtalanítást a számítási megtakarítás érdekében?
- Nyers, teljes felbontású pixeltér
- Csak a frekvenciatartomány
- Tömörített látens tér
- Egy szöveges token tér
- What was significant about SVD’s research release?
- It removed all license conditions
- It was accessible only as a closed cloud API
- It released audio weights but no video model
- It made code and model weights available for research and adaptation under their license terms
- Körülbelül hány keretet generálnak az SVD nyilvános ellenőrzőpontjai?
- Körülbelül 14-25 képkocka
- Pontosan 1 képkocka
- Több ezer képkocka
- Korlátlan folyamatos adatfolyam
- Milyen képzési megközelítést emelt ki a Stabilitási AI az SVD esetében?
- Egyetlen egyszeri edzés véletlenszerű klipeken
- Egy szakaszos recept: kép előképzés, videó előképzés, majd jó minőségű finomhangolás
- Képzés csak állóképekre
- Egyáltalán nincs előképzés
- What downstream video adaptation does the SVD paper discuss using LoRA?
- Speaker-identity adaptation for audio
- Automatic SQL generation
- Camera-motion-specific adaptation
- Dependency-label prediction
- What additional visual-generation capability did the SVD paper explore from its base model?
- Generating a dependency parse for every frame
- Separating a song into instrument stems
- Estimating speech intelligibility
- Fine-tuning a model to jointly generate multiple views of objects