Gids-gekoppelde quiz · Middelmatig Niveau
Waarom AI-beeldgeneratoren de verkeerde kant op gaan Quiz
Test waarom handen diffusiemodellen uitdagen, inclusief latente resolutie, variatie in poses en schaarse bijschriften, en hoe ControlNet en inpainting deze oplossen.
Vraag 1 van 8
Wat leert een diffusiemodel volgens de gids vooral van paren met afbeeldingsbijschriften?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat leert een diffusiemodel volgens de gids vooral van paren met afbeeldingsbijschriften?
- Lokale visuele patronen zoals textuur en verlichting
- Expliciete anatomische regels over vingers
- Een ingebouwd 3D-skelet van het menselijk lichaam
- Een telprocedure voor lichaamsdelen
- Hoe zorgt latente compressie in Stable Diffusion ervoor dat handen moeilijker te tekenen zijn?
- Het verwijdert kleurinformatie
- Het verwijdert handen uit de trainingsbeelden
- Het verkleint het beeld met een factor acht in elke dimensie, waardoor er slechts een paar latente cellen overblijven
- Het zet de afbeelding om in tekst
- Waarom bieden bijschriften modellen weinig hulp met hun handen?
- De ondertitels zijn geschreven in een duistere taal
- Bijschriften vermelden zelden handen of beschrijven hun houding
- Onderschriften worden vóór de training verwijderd
- De bijschriften beschrijven alleen handen en niets anders
- Welke Midjourney-versie stond volgens de gids algemeen bekend om zijn betere handen in 2023?
- Versie 1
- Versie 2
- Versie 3
- Versie 5
- Wat doet een workflow voor detecteren en opnieuw schilderen in ADetailer-stijl?
- Vindt handgebieden, regenereert ze allemaal met een hogere effectieve resolutie door middel van inschilderen en mengt ze weer
- Voegt een watermerk toe aan de handen
- Vervangt handen automatisch door handschoenen
- Verwijdert de handen uit het beeld
- Waarom helpen negatieve aanwijzingen zoals 'extra vingers' meestal weinig?
- Ze zijn te lang voor de encoder
- Ze werken alleen op het weergeven van tekst
- They switch off classifier-free guidance
- Few training captions described those errors, so the model has only a weak concept to steer away from
- What does a ControlNet OpenPose input provide when fixing hands?
- A color palette
- A new random seed
- A skeleton with hand keypoints that supplies the geometry
- A longer caption
- A suspected fake image has anatomically perfect hands. What should a fact-checker conclude?
- The image is definitely a real photograph
- Correct hands prove nothing either way, because newer generators often draw them correctly
- The image must come from Midjourney
- The image must carry a watermark