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.

Percorsi guida correlatiCampionatori Ddpm e Ddim
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.

  1. 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
  2. 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
  3. 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
  4. In DDIM, quale valore del parametro eta recupera il comportamento stocastico originale del DDPM?
    • et = 0
    • et = -1
    • et = 100
    • et = 1
  5. 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
  6. 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
  7. 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
  8. 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