Gids-gekoppelde quiz · Middelmatig Niveau
DDPM- en DDIM-samplerquiz
Vergelijk DDPM en DDIM reverse sampling, inclusief gedeelde training, stochasticiteitscontroles, overslaan van tijdstappen en schattingen van schone afbeeldingen.
Vraag 1 van 8
Wat is het belangrijkste praktische voordeel van DDIM ten opzichte van DDPM?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het belangrijkste praktische voordeel van DDIM ten opzichte van DDPM?
- Het kan vergelijkbare beelden produceren in veel minder bemonsteringsstappen
- Het vereist een heel ander getraind netwerk
- Het voegt bij elke stap meer willekeurige ruis toe voor een betere kwaliteit
- Het werkt alleen op zwart-witafbeeldingen
- Wat leert het neurale netwerk van een diffusiemodel eigenlijk te voorspellen tijdens de training?
- Het laatste bijschrift voor de afbeelding
- De ruis die op een bepaalde tijdstap aan een afbeelding is toegevoegd
- De compressieverhouding van de afbeelding
- De camera-instellingen die zijn gebruikt om de foto te maken
- Waarom kan DDIM elke keer exact hetzelfde beeld produceren met hetzelfde startgeluid?
- Omdat het eerder gegenereerde afbeeldingen in de cache opslaat
- Omdat het altijd een vaste prompt gebruikt
- Omdat het bemonsteringsproces deterministisch is, zonder geïnjecteerde willekeur
- Omdat het meerdere willekeurige runs samen berekent
- Welke waarde van de parameter eta herstelt in DDIM het oorspronkelijke stochastische DDPM-gedrag?
- eta = 0
- eta = -1
- eta = 100
- eta = 1
- Hoeveel stappen had de oorspronkelijke DDPM doorgaans nodig voor monsters van hoge kwaliteit?
- Honderden tot ongeveer duizend stappen
- Precies 3 stappen
- Een enkele stap
- Meer dan een miljoen stappen
- Welke van deze is een belangrijke tussenliggende hoeveelheid die DDIM schat voordat er een stap naar voren wordt gezet?
- De bestandsgrootte van de uitvoer
- Het voorspelde schone beeld x0
- De insluitlengte van de prompt van de gebruiker
- De GPU-temperatuur
- 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
- 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