ガイド連動クイズ · 中 レベル

DDPM および DDIM サンプラーに関するクイズ

共有トレーニング、確率制御、タイムステップ スキップ、クリーン イメージ推定など、DDPM と DDIM の逆サンプリングを比較します。

関連するガイドパスDDPM および DDIM サンプラー
質問 1 の 8

DDPM と比較した DDIM の主な実際的な利点は何ですか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. DDPM と比較した DDIM の主な実際的な利点は何ですか?
    • はるかに少ないサンプリングステップで同等の画像を生成できます
    • まったく異なる訓練されたネットワークが必要です
    • 品質を向上させるために各ステップでより多くのランダムノイズを追加します
    • 白黒画像でのみ機能します
  2. 拡散モデルのニューラル ネットワークは、トレーニング中に実際に何を予測して学習するのでしょうか?
    • 画像の最終的なキャプション
    • 特定のタイムステップで画像に追加されたノイズ
    • 画像の圧縮率
    • 写真の撮影に使用されたカメラの設定
  3. DDIM が毎回同じ開始ノイズからまったく同じ画像を生成できるのはなぜですか?
    • 以前に生成された画像をキャッシュするため
    • 常に固定プロンプトを使用するため
    • サンプリングプロセスは決定論的であり、ランダム性が注入されないため
    • 多くのランダムな実行をまとめて平均するため
  4. DDIM では、パラメータ eta のどの値が元の確率的 DDPM 動作を回復しますか?
    • イータ = 0
    • イータ = -1
    • イータ = 100
    • イータ = 1
  5. 高品質のサンプルを得るために、元の DDPM では通常、およそ何ステップが必要でしたか?
    • 数百歩から千歩程度
    • まさに3ステップ
    • たったひとつのステップ
    • 100万歩以上
  6. DDIM が前進する前に見積もる重要な中間数量は次のうちどれですか?
    • 出力のファイルサイズ
    • 予測されたきれいな画像 x0
    • ユーザーのプロンプト埋め込みの長さ
    • GPU温度
  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