Quiz collegato alla guida · Medio Livello
Quiz sui modelli di coerenza
Comprendere come i modelli di coerenza apprendono la generazione in uno o pochi passaggi dalle traiettorie di diffusione e dai vincoli di confine.
Domanda 1 di 8
Quale problema fondamentale con i modelli di diffusione affrontano i modelli di coerenza?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale problema fondamentale con i modelli di diffusione affrontano i modelli di coerenza?
- Il campionamento per diffusione è lento perché richiede molti passaggi iterativi
- La diffusione non può generare immagini a colori
- La diffusione utilizza troppo poca memoria
- La diffusione funziona solo sul testo
- Qual è la proprietà di "autoconsistenza" che questi modelli sono addestrati a soddisfare?
- Ogni immagine deve essere dello stesso colore
- Ogni punto su una traiettoria rumore-dati viene mappato allo stesso endpoint pulito
- Il modello deve concordare con un etichettatore umano
- L'uscita deve essere uguale al rumore in ingresso
- Quale condizione al contorno deve soddisfare la funzione di consistenza al tempo zero?
- Deve emettere rumore puro
- Deve produrre un'immagine nera
- Deve fungere da identità (restituire l'input invariato)
- Deve restituire la media del set di dati
- Come si può creare un modello di coerenza da un modello di diffusione esistente?
- Eliminando metà dei suoi strati a caso
- Convertendolo in un albero decisionale
- Addestrandolo solo su dati di testo
- Per distillazione consistente del modello di diffusione preaddestrato
- Quale tecnica stabilizza la formazione sulla coerenza fornendo obiettivi di apprendimento?
- Una rete target aggiornata come media mobile esponenziale
- Eliminazione casuale della funzione di perdita
- Raddoppiando il tasso di apprendimento ad ogni passaggio
- Utilizzando una sola immagine di allenamento
- How many sampling steps did the Latent Consistency Models paper report for high-quality 768×768 image generation?
- Hundreds of steps in every setting
- Two to four sampling steps
- Exactly one training epoch
- No sampling or model evaluation
- What are two training routes introduced for consistency models?
- Only supervised image classification
- Only adversarial training with a discriminator
- Consistency distillation from a pretrained diffusion model and standalone consistency training
- Token prediction and masked language modeling
- Which zero-shot image-editing tasks did the consistency-model paper demonstrate?
- Speech diarization and speaker verification
- Machine translation and summarization
- Database query planning and code completion
- Inpainting, colorization and super-resolution