가이드 연계 퀴즈 · 중간 레벨

DDPM 및 DDIM 샘플러 퀴즈

공유 교육, 확률 제어, 시간 단계 건너뛰기, 깨끗한 이미지 추정을 포함하여 DDPM과 DDIM 역샘플링을 비교합니다.

관련 가이드 경로Ddpm 및 Ddim 샘플러
질문 1 의 8

DDPM에 비해 DDIM의 주요 실제 이점은 무엇입니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. DDPM에 비해 DDIM의 주요 실제 이점은 무엇입니까?
    • 훨씬 적은 샘플링 단계로 비슷한 이미지를 생성할 수 있습니다.
    • 완전히 다른 훈련된 네트워크가 필요합니다.
    • 더 나은 품질을 위해 각 단계에서 더 많은 무작위 노이즈를 추가합니다.
    • 흑백 이미지에서만 작동합니다.
  2. 확산 모델의 신경망은 훈련 중에 예측하기 위해 실제로 무엇을 학습합니까?
    • 이미지의 최종 캡션
    • 특정 시점에 이미지에 추가된 노이즈
    • 이미지의 압축률
    • 사진을 찍는 데 사용된 카메라 설정
  3. DDIM이 매번 동일한 시작 소음으로 똑같은 이미지를 생성할 수 있는 이유는 무엇입니까?
    • 이전에 생성된 이미지를 캐시하기 때문에
    • 항상 고정 프롬프트를 사용하기 때문에
    • 샘플링 프로세스는 임의성을 주입하지 않고 결정적이기 때문입니다.
    • 여러 번의 무작위 실행을 평균화하기 때문에
  4. DDIM에서 원래 확률론적 DDPM 동작을 복구하는 매개변수 eta의 값은 무엇입니까?
    • 에타 = 0
    • 에타 = -1
    • 에타 = 100
    • 에타 = 1
  5. 원래 DDPM은 고품질 샘플을 위해 일반적으로 몇 단계가 필요했습니까?
    • 수백~천걸음 정도
    • 정확히 3단계
    • 한 걸음
    • 백만 걸음 이상
  6. 다음 중 DDIM이 앞으로 나아가기 전에 추정하는 주요 중간 수량은 무엇입니까?
    • 출력 파일 크기
    • 예측된 깨끗한 이미지 x0
    • 사용자 프롬프트 임베딩 길이
    • GPU 온도
  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