Kuis Inversi Teks Null

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang sebenarnya dioptimalkan oleh inversi teks nol?
   • Penyematan teks kosong (null) yang digunakan dalam panduan bebas pengklasifikasi
   • Bobot seluruh difusi U-Net
   • Piksel dari gambar masukan secara langsung
   • Encoder gambar CLIP
2. Mengapa inversi DDIM biasa menjadi tidak dapat diandalkan saat digunakan untuk mengedit?
   • Ini hanya berfungsi pada gambar sintetis
   • Panduan bebas pengklasifikasi memperkuat penyimpangan rekonstruksinya
   • Hal ini memerlukan pelatihan ulang model
   • Itu tidak bisa berjalan di ruang laten
3. Apa tujuan utama membalikkan gambar nyata sebelum mengeditnya?
   • Untuk mengompresi gambar untuk penyimpanan
   • Untuk menghapus metadata gambar
   • Untuk menemukan titik awal noise/laten yang menghasilkan kembali gambar persis tersebut
   • Untuk mengubahnya menjadi skala abu-abu
4. Kira-kira bagaimana inversi teks nol menangani optimasi di seluruh proses difusi?
   • Ini mengoptimalkan satu penyematan bersama untuk keseluruhan gambar
   • Itu melewatkan optimasi sepenuhnya
   • Ini hanya mengoptimalkan langkah waktu terakhir
   • Ini mengoptimalkan penyematan nol terpisah untuk setiap langkah waktu yang menolak
5. Kelemahan utama dari inversi teks nol asli adalah:
   • Pengoptimalan per gambar, membuatnya relatif lambat
   • Tidak dapat menggunakan perintah teks
   • Hanya dapat digunakan pada thumbnail 8x8
   • Tidak kompatibel dengan Difusi Stabil
6. What does Prompt-to-Prompt use to control edits while retaining parts of an image layout?
   • A trainable 3D Gaussian representation
   • Cross-attention maps associated with prompt tokens
   • A classifier that labels every pixel as a new object
   • A new text encoder trained for each edited image
7. What role does pivotal inversion play in null-text inversion?
   • It replaces the diffusion model with a newly trained classifier
   • It deletes the input image before reconstruction
   • It provides a per-timestep noise trajectory that anchors later optimization
   • It selects a new text prompt without using the image
8. During null-text optimization, which components does the method keep fixed?
   • Only the input image dimensions
   • The model weights and every unconditional embedding at initialization
   • The image caption and all diffusion timesteps
   • The pretrained model weights and the conditional text embedding