GigaGAN 확장 생성기 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
   • 1.0 billion total across the 652.5M base generator and 359.1M upsampler
   • 70 million total across a 64M generator and 6M discriminator
   • 1.0 billion in the base generator alone, with no upsampler
   • 3.5 billion total across two text encoders
2. 확산 모델에 비해 GigaGAN의 주요 속도 이점은 무엇입니까?
   • GPU가 필요하지 않습니다
   • 많은 노이즈 제거 단계 대신 단일 순방향 패스로 이미지를 생성합니다.
   • 1초만에 훈련됩니다
   • 신경망을 사용하지 않습니다.
3. GigaGAN의 '샘플 적응 커널 선택'은 무엇을 합니까?
   • 사용하지 않는 픽셀을 삭제합니다.
   • 이미지를 JPEG로 압축합니다.
   • 텍스트 프롬프트에서 파생된 가중치를 사용하여 여러 개의 컨볼루션 필터를 혼합합니다.
   • GPU를 자동으로 선택합니다.
4. GigaGAN은 텍스트 정보를 이미지 생성에 어떻게 통합합니까?
   • 프롬프트를 자르면
   • 텍스트를 완전히 무시합니다.
   • 이미지에 텍스트를 인쇄하여
   • 텍스트 임베딩 및 일치하는 CLIP 기능에 대한 교차 관심을 통해
5. GigaGAN은 기본 생성 외에 어떤 추가 기능을 제공합니까?
   • 4K 해상도에 도달할 수 있는 별도의 GAN 업샘플러
   • 오디오 합성
   • 음성 인식
   • 데이터베이스 쿼리
6. GigaGAN의 잠재 공간이 편집 도구에 유용한 이유는 무엇입니까?
   • 편집할 수 없습니다.
   • 제어 가능한 변경을 위해 부드러운 보간 및 스타일 혼합을 지원합니다.
   • 텍스트만 저장합니다.
   • 한 번 사용하면 이미지가 삭제됩니다.
7. How does GigaGAN’s image discriminator make predictions across resolutions?
   • It scores only the text prompt and ignores generated images
   • It predicts one label at the final resolution only
   • It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
   • It compares generated images with a fixed set of training captions only
8. What does GigaGAN’s base generator produce for later multi-scale processing?
   • A single class label for the entire image
   • A sequence of text tokens for an autoregressive decoder
   • Only the final upsampled image, with no intermediate scales
   • An image pyramid with outputs at several resolutions