Kuis terkait panduan · Sedang Tingkat

Kuis Penyetelan Multi-Konsep Difusi Kustom

Tinjau penyetelan perhatian silang Custom Diffusion, personalisasi beberapa gambar, regularisasi, dan cara yang didukung untuk menyusun berbagai konsep.

Jalur panduan terkaitPenyetelan Multi Konsep Difusi Kustom
Pertanyaan 1 dari 8

Bagian mana dari model difusi yang terutama disempurnakan oleh Difusi Kustom?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Bagian mana dari model difusi yang terutama disempurnakan oleh Difusi Kustom?
    • Proyeksi kunci dan nilai dalam lapisan perhatian silang
    • Setiap beban di U-Net
    • Dekoder VAE saja
    • Tokenizer teks
  2. Apa yang paling menonjol dari Difusi Kustom dibandingkan dengan metode konsep tunggal?
    • Menghasilkan video, bukan gambar
    • Menyusun beberapa konsep yang baru dipelajari dalam satu adegan
    • Tidak memerlukan gambar sama sekali
    • Hanya berjalan di CPU
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. Mengapa Difusi Kustom menggunakan serangkaian gambar regularisasi dari kategori konsep yang lebih luas?
    • Untuk mempercepat VAE
    • Untuk meningkatkan resolusi gambar
    • Untuk menghilangkan tanda air
    • Untuk mencegah overfitting dan penyimpangan bahasa pada kata konsep
  5. Bagaimana dua konsep Difusi Kustom yang dilatih secara terpisah dapat digunakan bersama?
    • Dengan menggabungkannya melalui pengoptimalan terbatas pada bobot yang disesuaikan
    • Mereka tidak akan pernah bisa digabungkan
    • Dengan merata-ratakan gambar masukan
    • Dengan melatih ulang model lengkap dari awal
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation