Kuis Model Difusi Laten

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa inovasi utama model difusi laten dibandingkan dengan difusi ruang piksel?
   • Mereka menjalankan proses difusi dalam ruang laten terkompresi, bukan pada piksel mentah
   • Mereka menghilangkan kebutuhan akan jaringan saraf apa pun
   • Mereka hanya bekerja pada gambar hitam-putih
   • Mereka tidak memerlukan data pelatihan sama sekali
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. Bagaimana teks biasanya dimasukkan ke dalam U-Net yang mencela dalam difusi laten?
   • Dengan menggabungkan string teks mentah ke gambar
   • Dengan mengedit piksel secara manual
   • Melalui lapisan perhatian silang menggunakan penyematan teks
   • Teks tidak dapat digunakan sama sekali
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. Apa yang dipelajari model difusi selama pelatihan?
   • Untuk mengklasifikasikan gambar ke dalam kategori
   • Untuk membalikkan proses kebisingan bertahap dan menghilangkan kebisingan langkah demi langkah
   • Untuk mengompres teks menjadi audio
   • Untuk menerjemahkan bahasa
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels