Quiz collegato alla guida · Medio Livello
Quiz sui campionatori DDPM e DDIM
Confronta il campionamento inverso DDPM e DDIM, incluso l'addestramento condiviso, i controlli di stocasticità, il salto temporale e le stime dell'immagine pulita.
Domanda 1 di 8
Qual è il principale vantaggio pratico del DDIM rispetto al DDPM?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il principale vantaggio pratico del DDIM rispetto al DDPM?
- Può produrre immagini comparabili in molti meno passaggi di campionamento
- Richiede una rete addestrata completamente diversa
- Aggiunge più rumore casuale ad ogni passaggio per una migliore qualità
- Funziona solo su immagini in bianco e nero
- Cosa impara effettivamente a prevedere la rete neurale di un modello di diffusione durante l'addestramento?
- La didascalia finale dell'immagine
- Il rumore aggiunto a un'immagine in un determinato passaggio temporale
- Il rapporto di compressione dell'immagine
- Le impostazioni della fotocamera utilizzate per scattare la foto
- Perché DDIM può produrre ogni volta esattamente la stessa immagine dallo stesso rumore iniziale?
- Perché memorizza nella cache le immagini generate in precedenza
- Perché utilizza sempre un prompt fisso
- Perché il suo processo di campionamento è deterministico senza casualità iniettata
- Perché calcola la media di molte corse casuali insieme
- In DDIM, quale valore del parametro eta recupera il comportamento stocastico originale del DDPM?
- et = 0
- et = -1
- et = 100
- et = 1
- All'incirca quanti passaggi erano generalmente necessari nel DDPM originale per ottenere campioni di alta qualità?
- Da centinaia a circa mille passi
- Esattamente 3 passaggi
- Un solo passo
- Oltre un milione di passi
- Quale di queste è una quantità intermedia chiave stimata da DDIM prima di farsi avanti?
- La dimensione del file di output
- L'immagine pulita prevista x0
- La lunghezza di incorporamento del prompt dell'utente
- La temperatura della GPU
- What does DDIM change compared with DDPM when using a model trained with the DDPM procedure?
- It replaces the network with a text classifier
- It changes the training data from images to audio
- It changes the sampling trajectory while reusing the trained denoising network
- It removes the need to estimate noise
- Why can DDIM skip selected diffusion timesteps during sampling?
- The training process never added noise
- Each skipped timestep is replaced by a larger image
- It copies an earlier generated image from a cache
- Its non-Markovian sampling path can connect noise levels without visiting every training step