Gids-gekoppelde quiz · Middelmatig Niveau

Aangepaste diffusie-multiconcept-tuningquiz

Bekijk de afstemming van de aandacht op Custom Diffusion, de personalisatie in enkele shots, de regularisatie en de ondersteunde manieren om meerdere concepten samen te stellen.

Vraag 1 van 8

Welk deel van het diffusiemodel wordt met Custom Diffusion vooral verfijnd?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welk deel van het diffusiemodel wordt met Custom Diffusion vooral verfijnd?
    • De sleutel- en waardeprojecties in kruis-aandachtslagen
    • Elk gewicht in het U-Net
    • Alleen de VAE-decoder
    • De teksttokenizer
  2. Waardoor valt Custom Diffusion het meest op in vergelijking met methoden met één concept?
    • Video genereren in plaats van afbeeldingen
    • Het componeren van meerdere nieuw geleerde concepten in één scène
    • Er zijn helemaal geen afbeeldingen nodig
    • Draait alleen op CPU's
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. Waarom gebruikt Custom Diffusion een reeks regularisatiebeelden uit de bredere categorie van het concept?
    • Om de VAE te versnellen
    • Om de beeldresolutie te verhogen
    • Om watermerken te verwijderen
    • Om overfitting en taalafwijking op het conceptwoord te voorkomen
  5. Hoe kunnen twee afzonderlijk getrainde Custom Diffusion-concepten samen worden gebruikt?
    • Door ze samen te voegen via een beperkte optimalisatie over de afgestemde gewichten
    • Ze kunnen nooit gecombineerd worden
    • Door de invoerafbeeldingen te middelen
    • Door het volledige model helemaal opnieuw te trainen
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation