Kuis terkait panduan · Sedang Tingkat
Kuis Inversi Tekstual
Pelajari bagaimana inversi tekstual mewakili konsep visual yang disediakan pengguna dengan token kecil yang dipelajari yang disematkan dalam model yang telah dilatih sebelumnya.
Pertanyaan 1 dari 8
What kinds of concepts did the original textual-inversion paper personalize?
Pratinjau setiap pertanyaan8 pertanyaan
Jawaban dan penjelasan muncul saat Anda mengikuti kuis.
- What kinds of concepts did the original textual-inversion paper personalize?
- User-provided objects or visual styles
- Only database schemas
- Only speech transcripts
- Only camera calibration parameters
- Kira-kira berapa banyak contoh gambar yang biasanya dibutuhkan oleh Inversi Tekstual?
- Hanya satu gambar
- Sekitar 3 hingga 5 gambar
- Ribuan gambar
- Tidak ada gambar sama sekali
- Mengapa file Inversi Tekstual sangat kecil (seringkali hanya beberapa kilobyte)?
- Mereka memampatkan keseluruhan model
- Itu hanyalah petunjuk teks
- Mereka hanya menyimpan satu vektor yang dipelajari
- Mereka mereferensikan database online
- Apa yang tetap tidak berubah selama pelatihan Inversi Tekstual?
- Contoh gambar
- Kata semu yang baru
- Format perintah teks
- Semua bobot model yang ada
- Bagaimana Anda menggunakan konsep yang dipelajari setelah Inversi Tekstual?
- Ketikkan kata semu barunya di prompt
- Latih ulang model setiap saat
- Unggah fotonya lagi
- Edit kode sumber model
- Kerugian manakah yang digunakan untuk mengoptimalkan penyematan baru?
- Hilangnya akurasi klasifikasi
- Difusi yang menunjukkan kerugian pada contoh gambar
- Hilangnya pengenalan ucapan
- Tidak ada kerugian; itu penyetelan manual
- How does textual inversion use the learned token at generation time?
- It replaces the image decoder
- It directly edits a generated image without sampling
- It inserts the token into a text prompt so the frozen text-to-image model can condition on it
- It changes the model’s tokenizer vocabulary for every user
- What is a key limitation of a concept learned from only a few example images?
- It always increases the model’s image resolution
- It automatically learns every view and lighting condition
- It changes all existing model concepts equally
- It may capture incidental features of those examples and generalize imperfectly