Gids-gekoppelde quiz · Middelmatig Niveau
Google Beeldquiz
Bekijk hoe Imagen de verspreiding van tekst conditioneert, afbeeldingsdetails verbetert en begeleiding en drempelwaarden gebruikt tijdens het genereren.
Vraag 1 van 8
Op welk type generatief model is Google Imagen gebaseerd?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Op welk type generatief model is Google Imagen gebaseerd?
- Een diffusiemodel
- Een generatief vijandig netwerk (GAN)
- Alleen een variatie-autoencoder
- Een op regels gebaseerde renderer
- Een belangrijke bevinding uit het originele Imagen-artikel was dat het schalen van welke component de resultaten het meest verbeterde?
- Het beeldverspreidingsnetwerk
- De bevroren tekstencoder (taalmodel)
- De trainingsbatchgrootte
- Het aantal kleurkanalen
- Which improvement did Google announce for Imagen 4 in the Gemini app?
- Bestanden opslaan als PNG
- Audio genereren
- Improved text rendering in generated images
- Afbeeldingen comprimeren
- De oorspronkelijke architectuur van Imagen maakte gebruik van een cascade die begon met het genereren van een afbeelding met welke resolutie?
- 1024x1024
- 512x512
- 4096x4096
- 64x64
- What did Google DeepMind say SynthID does for images generated with Imagen on Vertex AI?
- Embeds an imperceptible watermark in image pixels to help identify likely Imagen output
- Converts all images to a new file format
- Provides a GPU chip for image training
- Translates the prompt language
- Via welk Google platform kunnen ontwikkelaars toegang krijgen tot Imagen voor hun eigen applicaties?
- Google Vellen
- Hoekpunt AI
- Google Kaarten
- Chrome-ontwikkelaarstools
- What issue does dynamic thresholding address in Imagen's sampling process?
- The model having too few text tokens in its prompt
- The training set containing too many image resolutions
- Pixel values becoming oversaturated when classifier-free guidance is high
- The tokenizer splitting a word into subwords
- What does classifier-free guidance do during Imagen sampling?
- Selects a class label after the image is complete
- Upscales the image without conditioning on its prompt
- Replaces the noise-prediction model with a fixed image lookup
- Combines conditional and unconditioned predictions to steer generation toward the prompt