一貫性モデルに関するクイズ

クイズに答えると、答えと解説が表示されます。

1. 一貫性モデルは拡散モデルのどのような中心的な問題に対処しますか?
   • 拡散サンプリングは多くの反復ステップが必要なため時間がかかります
   • 拡散ではカラー画像を生成できません
   • 拡散で使用するメモリが少なすぎる
   • 拡散はテキストに対してのみ機能します
2. これらのモデルが満たすように訓練されている「自己一貫性」特性は何ですか?
   • すべての画像は同じ色である必要があります
   • ノイズからデータへの軌跡上のすべての点が同じクリーンなエンドポイントにマッピングされます
   • モデルは人間のラベラーと一致する必要があります
   • 出力は入力ノイズと等しくなければなりません
3. 整合性関数が時間ゼロで満たさなければならない境界条件は何ですか?
   • 純粋なノイズを出力する必要があります
   • 黒の画像を出力する必要があります
   • ID として機能する必要があります (入力を変更せずに返します)。
   • データセットの平均を出力する必要があります
4. 既存の拡散モデルから一貫性モデルを作成するにはどうすればよいでしょうか?
   • レイヤーの半分をランダムに削除することで、
   • それを決定木に変換すると
   • テキストデータのみでトレーニングすることで
   • 事前学習済みの拡散モデルの恒常性蒸留による
5. 学習目標を提供することで一貫性のあるトレーニングを安定させるテクニックは何ですか?
   • 指数移動平均として更新されるターゲット ネットワーク
   • 損失関数をランダムに削除する
   • ステップごとに学習率が 2 倍になります
   • トレーニング画像を 1 つだけ使用する
6. How many sampling steps did the Latent Consistency Models paper report for high-quality 768×768 image generation?
   • Hundreds of steps in every setting
   • Two to four sampling steps
   • Exactly one training epoch
   • No sampling or model evaluation
7. What are two training routes introduced for consistency models?
   • Only supervised image classification
   • Only adversarial training with a discriminator
   • Consistency distillation from a pretrained diffusion model and standalone consistency training
   • Token prediction and masked language modeling
8. Which zero-shot image-editing tasks did the consistency-model paper demonstrate?
   • Speech diarization and speaker verification
   • Machine translation and summarization
   • Database query planning and code completion
   • Inpainting, colorization and super-resolution