일관성 모델 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 일관성 모델이 해결하는 확산 모델의 핵심 문제는 무엇입니까?
   • 확산 샘플링은 많은 반복 단계가 필요하므로 속도가 느립니다.
   • 확산은 컬러 이미지를 생성할 수 없습니다.
   • 확산은 메모리를 너무 적게 사용합니다.
   • 확산은 텍스트에서만 작동합니다.
2. 이러한 모델이 만족하도록 훈련된 '자체 일관성' 속성은 무엇입니까?
   • 모든 이미지는 동일한 색상이어야 합니다.
   • 노이즈-데이터 궤적의 모든 지점은 동일한 명확한 끝점에 매핑됩니다.
   • 모델은 라벨러의 의견에 동의해야 합니다.
   • 출력은 입력 잡음과 같아야 합니다.
3. 일관성 함수는 시간 0에서 어떤 경계 조건을 충족해야 합니까?
   • 순수한 잡음을 출력해야 합니다.
   • 검은색 이미지를 출력해야 합니다.
   • ID 역할을 해야 합니다(입력을 변경하지 않고 반환).
   • 데이터세트 평균을 출력해야 합니다.
4. 기존 확산 모델에서 일관성 모델을 어떻게 만들 수 있나요?
   • 레이어의 절반을 무작위로 삭제하여
   • 이를 의사결정 트리로 변환하여
   • 텍스트 데이터로만 학습하여
   • 사전 훈련된 확산 모델의 일관성 증류를 통해
5. 학습 목표를 제공하여 일관성 교육을 안정화하는 기술은 무엇입니까?
   • 지수 이동 평균으로 업데이트된 대상 네트워크
   • 손실 함수를 무작위로 삭제
   • 각 단계마다 학습률을 두 배로 늘립니다.
   • 하나의 훈련 이미지만 사용
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