Quiz collegato alla guida · Medio Livello
Quiz di ottimizzazione multiconcetto con diffusione personalizzata
Esamina l'ottimizzazione dell'attenzione incrociata, la personalizzazione in pochi scatti, la regolarizzazione e le modalità supportate per comporre più concetti di Custom Diffusion.
Domanda 1 di 8
Quale parte del modello di diffusione viene principalmente perfezionata dalla diffusione personalizzata?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Quale parte del modello di diffusione viene principalmente perfezionata dalla diffusione personalizzata?
- Le proiezioni chiave e di valore negli strati di attenzione incrociata
- Ogni peso in U-Net
- Solo il decoder VAE
- Il tokenizzatore di testo
- Per cosa è più degna di nota la diffusione personalizzata rispetto ai metodi a concetto singolo?
- Generazione di video invece di immagini
- Comporre più concetti appena appresi in un'unica scena
- Non richiede alcuna immagine
- Funziona solo su CPU
- What minimum number of training images did the Custom Diffusion paper report using in some experiments?
- As few as four images
- At least 500 images
- Exactly one image in every experiment
- The paper specifies no concept images
- Perché la diffusione personalizzata utilizza una serie di immagini di regolarizzazione dalla categoria più ampia del concetto?
- Per accelerare il VAE
- Per aumentare la risoluzione dell'immagine
- Per rimuovere filigrane
- Per prevenire l’adattamento eccessivo e la deriva del linguaggio sul concetto di parola
- Come è possibile utilizzare insieme due concetti di diffusione personalizzata addestrati separatamente?
- Unendoli tramite un'ottimizzazione vincolata sui pesi sintonizzati
- Non possono mai essere combinati
- Facendo la media delle immagini di input
- Riqualificando il modello completo da zero
- What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
- About 3% of the model weights
- All model weights plus a new model copy
- No trained parameters at all
- A fixed 50% of the model weights
- Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
- It requires a separate foundation model for every prompt
- It replaces all cross-attention with a fixed lookup table
- It can train for multiple concepts jointly
- It can only learn one concept per model
- In a cross-attention layer, what do the tuned text-side key and value projections help associate?
- Image pixels with internet search results
- The diffusion timestep with the model's source code
- Audio frequencies with a document's page number
- Prompt concepts with features in the image latent representation