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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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