Kuis terkait panduan · Sedang Tingkat

Kuis Generator Berskala GigaGAN

Jelajahi arsitektur pengkondisian teks GigaGAN, kecepatan pembuatan, diskriminator multi-skala, pengeditan laten, dan upsampler resolusi tinggi yang terpisah.

Jalur panduan terkaitGenerator Berskala Gigagan
Pertanyaan 1 dari 8

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

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  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. Apa keunggulan kecepatan utama GigaGAN dibandingkan model difusi?
    • Tidak memerlukan GPU
    • Ini menghasilkan gambar dalam satu langkah ke depan, bukan banyak langkah yang mencela
    • Ia berlatih dalam satu detik
    • Ia tidak menggunakan jaringan saraf
  3. Apa fungsi 'pemilihan kernel adaptif sampel' GigaGAN?
    • Menghapus piksel yang tidak digunakan
    • Kompres gambar ke JPEG
    • Memadukan kumpulan filter konvolusi menggunakan bobot yang berasal dari perintah teks
    • Memilih GPU secara otomatis
  4. Bagaimana GigaGAN memasukkan informasi teks ke dalam pembuatan gambar?
    • Dengan memotong prompt
    • Itu mengabaikan teks sepenuhnya
    • Dengan mencetak teks pada gambar
    • Melalui perhatian silang pada penyematan teks dan fitur CLIP yang cocok
  5. Kemampuan tambahan manakah yang disediakan GigaGAN di luar generasi dasar?
    • Upsampler GAN terpisah yang dapat mencapai resolusi 4K
    • Sintesis audio
    • Pengenalan ucapan
    • Kueri basis data
  6. Mengapa ruang laten GigaGAN berguna untuk alat pengeditan?
    • Itu tidak dapat diedit
    • Mendukung interpolasi halus dan pencampuran gaya untuk perubahan yang dapat dikontrol
    • Ini hanya menyimpan teks
    • Ini menghapus gambar setelah sekali digunakan
  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