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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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