Quiz dotyczący generowania ruchu w programie AnimateDiff

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaka jest główna idea programu AnimateDiff?
   • Trenuj od podstaw zupełnie nowy model wideo na milionach klipów
   • Interpolacja między dwoma obrazami przy użyciu wyłącznie przepływu optycznego
   • Nagrywanie prawdziwego wideo i odświeżanie go klatka po klatce
   • Podłączenie wyszkolonego modułu ruchu do modelu dyfuzji zamrożonego obrazu
2. What checkpoint compatibility condition matters when reusing an AnimateDiff motion module?
   • Every image generator accepts every motion module regardless of architecture
   • The personalized image checkpoint must be compatible with the supported base architecture and module
   • Freezing any arbitrary model makes it automatically compatible
   • The image checkpoint's filename alone establishes compatibility
3. W jaki sposób moduł ruchu utrzymuje spójność klatek ze sobą?
   • Poprzez tymczasowe warstwy uwagi, które pozwalają ramom przebywać w czasie
   • Poprzez równomierne rozmycie każdej klatki
   • Generując tylko jedną ramkę i kopiując ją
   • Używając ustalonej, wcześniej nagranej animacji
4. Która rodzina modeli jest najczęściej kojarzona z rozszerzaniem w programie AnimateDiff?
   • Modele języka GPT
   • Modele rozpoznawania mowy
   • Modele obrazu stabilnej dyfuzji
   • Tabelaryczne modele regresji
5. Co zazwyczaj kontroluje ruch LoRA w ekosystemie AnimateDiff?
   • Słownictwo kodera tekstu
   • Określone ruchy kamery, takie jak przesuwanie, powiększanie lub obracanie
   • Ścieżka dźwiękowa filmu
   • Format pliku wyjściowego
6. How should a sixteen-frame AnimateDiff result be interpreted relative to the method's possible configurations?
   • As a guarantee that every deployment must output exactly sixteen frames
   • As proof that the method generates a feature-length film in one step
   • As a rule that the generated video contains only a single still image
   • As a short-clip configuration, rather than a universal fixed duration for every version
7. What does SparseCtrl add to an AnimateDiff-style generation workflow?
   • A requirement to provide a manually labeled image for every frame
   • An audio transcription model that replaces temporal attention
   • Conditioning from a sparse set of reference images at selected frame positions
   • A guarantee that any unrelated image architecture is compatible
8. How does a motion LoRA's camera control differ from SparseCtrl's reference-image guidance?
   • A motion LoRA steers a learned movement pattern, while SparseCtrl supplies visual content at selected frames
   • They are identical names for a text tokenizer
   • SparseCtrl controls only the video filename
   • Motion LoRAs require a complete reference frame at every timestamp