Quiz collegato alla guida · Medio Livello

Quiz sui generatori in scala GigaGAN

Esplora l'architettura condizionata al testo di GigaGAN, la velocità di generazione, il discriminatore multiscala, l'editing latente e l'upsampler separato ad alta risoluzione.

Percorsi guida correlatiGeneratori in scala Gigagan
Domanda 1 di 8

What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
    • 1.0 billion total across the 652.5M base generator and 359.1M upsampler
    • 70 million total across a 64M generator and 6M discriminator
    • 1.0 billion in the base generator alone, with no upsampler
    • 3.5 billion total across two text encoders
  2. Qual è il principale vantaggio in termini di velocità di GigaGAN rispetto ai modelli a diffusione?
    • Non ha bisogno di GPU
    • Genera un'immagine in un singolo passaggio in avanti anziché in molti passaggi di denoising
    • Si allena in un secondo
    • Non utilizza alcuna rete neurale
  3. Cosa fa la "selezione del kernel adattativo del campione" di GigaGAN?
    • Elimina i pixel non utilizzati
    • Comprime l'immagine in JPEG
    • Unisce un gruppo di filtri di convoluzione utilizzando pesi derivati dal prompt di testo
    • Seleziona automaticamente la GPU
  4. In che modo GigaGAN incorpora le informazioni di testo nella generazione di immagini?
    • Ritagliando il prompt
    • Ignora completamente il testo
    • Stampando il testo sull'immagine
    • Attraverso l'attenzione incrociata agli incorporamenti di testo e alle funzionalità CLIP corrispondenti
  5. Quali funzionalità extra offre GigaGAN oltre alla generazione di base?
    • Un upsampler GAN separato che può raggiungere la risoluzione 4K
    • Sintesi audio
    • Riconoscimento vocale
    • Interrogazione del database
  6. Perché lo spazio latente di GigaGAN è utile per gli strumenti di editing?
    • Non può essere modificato
    • Supporta un'interpolazione fluida e un mix di stili per modifiche controllabili
    • Memorizza solo testo
    • Elimina l'immagine dopo un utilizzo
  7. How does GigaGAN’s image discriminator make predictions across resolutions?
    • It scores only the text prompt and ignores generated images
    • It predicts one label at the final resolution only
    • It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
    • It compares generated images with a fixed set of training captions only
  8. What does GigaGAN’s base generator produce for later multi-scale processing?
    • A single class label for the entire image
    • A sequence of text tokens for an autoregressive decoder
    • Only the final upsampled image, with no intermediate scales
    • An image pyramid with outputs at several resolutions