Quiz dotyczący sieci kontrolnej

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. What does ControlNet add to a pretrained text-to-image diffusion model?
   • A spatial conditioning path that can guide structure using inputs such as edges or pose maps
   • A guarantee that every generated pixel matches the input map exactly
   • A replacement for the text encoder and denoiser
   • A tool that predicts the original training image
2. Jaka jest rola warstw „zero splotu” w ControlNet?
   • Usuwają oryginalne wagi modelu
   • Zaczynają od zerowych ciężarów, więc trening rozpoczyna się od zachowania oryginalnego modelu
   • Konwertują obrazy do skali szarości
   • Dodają losowy szum do monitu
3. Które z nich jest prawidłowym wejściem kondycjonującym ControlNet?
   • Arkusz kalkulacyjny z liczbami
   • Kształt fali dźwiękowej
   • Szkielet OpenPose lub mapa głębi
   • Schemat bazy danych
4. Jak ControlNet ma się do podstawowego modelu dyfuzji, takiego jak Stable Diffusion?
   • Całkowicie zastępuje model podstawowy
   • Działa tylko bez żadnego modelu podstawowego
   • Działa na oddzielnym komputerze podłączonym do Internetu
   • Można go przyczepić jako gałąź, którą można trenować, podczas gdy model podstawowy pozostaje zamrożony
5. In a ControlNet workflow, what roles can text and spatial conditioning play?
   • Text can describe semantic/style content while a spatial map supplies structural guidance
   • The spatial map proves the text prompt is factually true
   • Text always supplies exact pixel positions and the map supplies the object name
   • The text prompt is ignored whenever a map is present
6. What training-data scale does the ControlNet paper report as robust for training its controls?
   • Only datasets with exactly 50 examples
   • Both small datasets under 50,000 examples and large datasets over 1 million examples
   • Only datasets larger than 100 million examples
   • No training data is used
7. What does the ControlNet paper report about combining conditioning controls?
   • It permits only one edge map and requires no prompt in every case
   • It accepts text prompts but no spatial controls
   • It tests single or multiple conditions, with or without a text prompt
   • It requires exactly two depth maps for each image
8. Which pretrained part does ControlNet reuse as a strong backbone for learning spatial controls?
   • A database of user prompts
   • A language-model tokenizer only
   • A separately trained classifier for every edge map
   • The deep encoding layers of a pretrained diffusion model