Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący próbników DDPM i DDIM

Porównaj próbkowanie odwrotne DDPM i DDIM, w tym wspólne uczenie, kontrole stochastyczności, pomijanie kroków czasowych i szacunki czystego obrazu.

Powiązane ścieżki prowadzącePróbniki Ddpm i Ddim
Pytanie 1 z 8

Jaka jest główna praktyczna przewaga DDIM nad DDPM?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaka jest główna praktyczna przewaga DDIM nad DDPM?
    • Może generować porównywalne obrazy w znacznie mniejszej liczbie etapów próbkowania
    • Wymaga zupełnie innej wyszkolonej sieci
    • Dodaje więcej losowego szumu na każdym kroku, zapewniając lepszą jakość
    • Działa tylko na obrazach czarno-białych
  2. Czego właściwie sieć neuronowa modelu dyfuzyjnego uczy się przewidywać podczas uczenia?
    • Ostatni podpis obrazu
    • Szum dodany do obrazu w danym kroku czasowym
    • Współczynnik kompresji obrazu
    • Ustawienia aparatu użyte do zrobienia zdjęcia
  3. Dlaczego DDIM może za każdym razem generować dokładnie ten sam obraz z tego samego szumu początkowego?
    • Ponieważ buforuje wcześniej wygenerowane obrazy
    • Ponieważ zawsze używa stałego podpowiedzi
    • Ponieważ proces próbkowania jest deterministyczny i nie zawiera wstrzykniętej losowości
    • Ponieważ uśrednia wiele losowych przebiegów razem
  4. Jaka wartość parametru eta w DDIM przywraca oryginalne stochastyczne zachowanie DDPM?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. Mniej więcej, ile kroków zwykle wymagał oryginalny DDPM, aby uzyskać próbki wysokiej jakości?
    • Setki do około tysiąca kroków
    • Dokładnie 3 kroki
    • Jeden krok
    • Ponad milion kroków
  6. Która z nich jest kluczową wielkością pośrednią oszacowaną przez DDIM przed podjęciem dalszych kroków?
    • Rozmiar pliku wyjściowego
    • Przewidywany czysty obraz x0
    • Długość osadzania podana przez użytkownika
    • Temperatura GPU
  7. 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
  8. 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