Quiz collegato alla guida · Difficile Livello

Quiz sull'inversione di testo nullo

Comprendere l'inversione fondamentale, l'ottimizzazione dell'incorporamento null, i parametri del modello congelato e il modo in cui la ricostruzione dell'immagine reale supporta le modifiche guidate da prompt.

Percorsi guida correlatiInversione di testo nullo
Domanda 1 di 8

Cosa ottimizza effettivamente l'inversione del testo nullo?

Anteprima di ogni domanda8 domande

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

  1. Cosa ottimizza effettivamente l'inversione del testo nullo?
    • L'incorporamento di testo vuoto (null) utilizzato nella guida senza classificatore
    • I pesi dell'intera diffusione U-Net
    • I pixel dell'immagine di input direttamente
    • Il codificatore di immagini CLIP
  2. Perché la semplice inversione DDIM diventa inaffidabile se utilizzata per la modifica?
    • Funziona solo su immagini sintetiche
    • La guida senza classificatore amplifica la sua deriva nella ricostruzione
    • Richiede la riqualificazione del modello
    • Non può funzionare nello spazio latente
  3. Qual è l'obiettivo principale dell'inversione di un'immagine reale prima di modificarla?
    • Per comprimere l'immagine per l'archiviazione
    • Per rimuovere i metadati dell'immagine
    • Per trovare un rumore/punto di partenza latente che rigenera quell'immagine esatta
    • Per convertirlo in scala di grigi
  4. In che modo approssimativamente l'inversione del testo nullo gestisce l'ottimizzazione durante il processo di diffusione?
    • Ottimizza un singolo incorporamento condiviso per l'intera immagine
    • Salta completamente l'ottimizzazione
    • Ottimizza solo il timestep finale
    • Ottimizza un incorporamento nullo separato per ogni passo temporale di denoising
  5. Uno svantaggio fondamentale dell'inversione originale del testo nullo è che è:
    • Ottimizzazione per immagine, rendendola relativamente lenta
    • Impossibile utilizzare i messaggi di testo
    • Utilizzabile solo su miniature 8x8
    • Incompatibile con la diffusione stabile
  6. What does Prompt-to-Prompt use to control edits while retaining parts of an image layout?
    • A trainable 3D Gaussian representation
    • Cross-attention maps associated with prompt tokens
    • A classifier that labels every pixel as a new object
    • A new text encoder trained for each edited image
  7. What role does pivotal inversion play in null-text inversion?
    • It replaces the diffusion model with a newly trained classifier
    • It deletes the input image before reconstruction
    • It provides a per-timestep noise trajectory that anchors later optimization
    • It selects a new text prompt without using the image
  8. During null-text optimization, which components does the method keep fixed?
    • Only the input image dimensions
    • The model weights and every unconditional embedding at initialization
    • The image caption and all diffusion timesteps
    • The pretrained model weights and the conditional text embedding