Null 텍스트 반전 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 널 텍스트 반전은 실제로 무엇을 최적화합니까?
   • 분류자 없는 지침에 사용되는 빈(null) 텍스트 임베딩
   • 전체 확산 U-Net의 가중치
   • 입력 이미지의 픽셀을 직접
   • CLIP 이미지 인코더
2. 편집에 사용할 때 일반 DDIM 반전이 불안정해지는 이유는 무엇입니까?
   • 합성 이미지에서만 작동합니다.
   • 분류기가 없는 안내로 재구성 드리프트가 증폭됩니다.
   • 모델 재교육이 필요합니다.
   • 잠재 공간에서는 실행할 수 없습니다.
3. 실제 이미지를 편집하기 전에 반전시키는 주요 목표는 무엇입니까?
   • 저장을 위해 이미지를 압축하려면
   • 이미지의 메타데이터를 제거하려면
   • 정확한 이미지를 재생성하는 노이즈/잠재 시작점을 찾으려면
   • 그레이스케일로 변환하려면
4. 널 텍스트 반전은 확산 프로세스 전반에 걸쳐 최적화를 대략 어떻게 처리합니까?
   • 전체 이미지에 대해 단일 공유 임베딩을 최적화합니다.
   • 최적화를 완전히 건너뜁니다.
   • 최종 시간 단계만 최적화합니다.
   • 각 노이즈 제거 시간 단계에 대해 별도의 널 임베딩을 최적화합니다.
5. 원래 널 텍스트 반전의 주요 단점은 다음과 같습니다.
   • 이미지별 최적화로 인해 상대적으로 느림
   • 텍스트 프롬프트를 사용할 수 없습니다
   • 8x8 축소판에만 사용할 수 있습니다.
   • 안정 확산과 호환되지 않음
6. Prompt-to-Prompt는 이미지 레이아웃의 일부를 유지하면서 편집을 제어하기 위해 무엇을 사용합니까?
   • A trainable 3D Gaussian representation
   • Cross-attention maps associated with prompt tokens
   • A classifier that labels every pixel as a new object
   • A new text encoder trained for each edited image
7. What role does pivotal inversion play in null-text inversion?
   • It replaces the diffusion model with a newly trained classifier
   • It deletes the input image before reconstruction
   • It provides a per-timestep noise trajectory that anchors later optimization
   • It selects a new text prompt without using the image
8. During null-text optimization, which components does the method keep fixed?
   • Only the input image dimensions
   • The model weights and every unconditional embedding at initialization
   • The image caption and all diffusion timesteps
   • The pretrained model weights and the conditional text embedding