Quiz collegato alla guida · Medio Livello
Quiz sull'inversione testuale
Scopri come l'inversione testuale rappresenta un concetto visivo fornito dall'utente con un piccolo token appreso incorporato in un modello preaddestrato.
Domanda 1 di 8
What kinds of concepts did the original textual-inversion paper personalize?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- What kinds of concepts did the original textual-inversion paper personalize?
- User-provided objects or visual styles
- Only database schemas
- Only speech transcripts
- Only camera calibration parameters
- All'incirca di quante immagini di esempio ha generalmente bisogno l'inversione testuale?
- Una sola immagine
- Circa 3-5 immagini
- Migliaia di immagini
- Nessuna immagine
- Perché i file di inversione testuale sono così piccoli (spesso pochi kilobyte)?
- Comprimono l'intero modello
- Sono solo istruzioni di testo
- Memorizzano solo un vettore appreso
- Fanno riferimento a un database online
- Cosa rimane invariato durante l'allenamento con l'inversione testuale?
- Le immagini di esempio
- La nuova pseudo-parola
- Il formato del prompt di testo
- Tutti i pesi esistenti del modello
- Come si utilizza un concetto appreso dopo l'inversione testuale?
- Digitare la nuova pseudo-parola in un prompt
- Riqualificare il modello ogni volta
- Carica nuovamente le foto
- Modifica il codice sorgente del modello
- Quale perdita viene utilizzata per ottimizzare il nuovo incorporamento?
- Una perdita di accuratezza della classificazione
- La perdita di denoising per diffusione sulle immagini di esempio
- Una perdita di riconoscimento vocale
- Nessuna perdita; è la sintonizzazione manuale
- How does textual inversion use the learned token at generation time?
- It replaces the image decoder
- It directly edits a generated image without sampling
- It inserts the token into a text prompt so the frozen text-to-image model can condition on it
- It changes the model’s tokenizer vocabulary for every user
- What is a key limitation of a concept learned from only a few example images?
- It always increases the model’s image resolution
- It automatically learns every view and lighting condition
- It changes all existing model concepts equally
- It may capture incidental features of those examples and generalize imperfectly