Kuis terkait panduan · Sedang Tingkat
Google Kuis Gambar
Tinjau bagaimana Imagen mengkondisikan difusi pada teks, meningkatkan detail gambar, dan menggunakan panduan dan ambang batas selama pembuatan.
Pertanyaan 1 dari 8
Jenis model generatif apa yang digunakan untuk membuat Google Imagen?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- Jenis model generatif apa yang digunakan untuk membuat Google Imagen?
- Model difusi
- Jaringan permusuhan generatif (GAN)
- Hanya autoencoder variasional
- Penyaji berbasis aturan
- Temuan utama dari makalah Imagen asli adalah penskalaan komponen mana yang memberikan hasil paling baik?
- Jaringan difusi gambar
- Encoder teks beku (model bahasa)
- Ukuran batch pelatihan
- Jumlah saluran warna
- Which improvement did Google announce for Imagen 4 in the Gemini app?
- Menyimpan file sebagai PNG
- Menghasilkan audio
- Improved text rendering in generated images
- Mengompresi gambar
- Arsitektur asli Imagen menggunakan kaskade yang dimulai dengan menghasilkan gambar pada resolusi berapa?
- 1024x1024
- 512x512
- 4096x4096
- 64x64
- What did Google DeepMind say SynthID does for images generated with Imagen on Vertex AI?
- Embeds an imperceptible watermark in image pixels to help identify likely Imagen output
- Converts all images to a new file format
- Provides a GPU chip for image training
- Translates the prompt language
- Melalui platform Google manakah pengembang dapat mengakses Imagen untuk aplikasi mereka sendiri?
- Google Lembar
- Verteks AI
- Google Peta
- Alat Pengembang Chrome
- What issue does dynamic thresholding address in Imagen's sampling process?
- The model having too few text tokens in its prompt
- The training set containing too many image resolutions
- Pixel values becoming oversaturated when classifier-free guidance is high
- The tokenizer splitting a word into subwords
- What does classifier-free guidance do during Imagen sampling?
- Selects a class label after the image is complete
- Upscales the image without conditioning on its prompt
- Replaces the noise-prediction model with a fixed image lookup
- Combines conditional and unconditioned predictions to steer generation toward the prompt