Quiz dotyczący odwracania tekstu zerowego

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co tak naprawdę optymalizuje inwersja tekstu zerowego?
   • Osadzanie pustego tekstu (null) używane w wskazówkach bez klasyfikatorów
   • Wagi całej sieci dyfuzyjnej U-Net
   • Bezpośrednio piksele obrazu wejściowego
   • Koder obrazu CLIP
2. Dlaczego zwykła inwersja DDIM staje się zawodna, gdy jest używana do edycji?
   • Działa tylko na obrazach syntetycznych
   • Wytyczne wolne od klasyfikatorów wzmacniają dryf rekonstrukcji
   • Wymaga to przeszkolenia modelu
   • Nie może działać w utajonej przestrzeni
3. Jaki jest główny cel odwracania prawdziwego obrazu przed jego edycją?
   • Aby skompresować obraz do przechowywania
   • Aby usunąć metadane obrazu
   • Aby znaleźć punkt początkowy szumu/ukrytego, który regeneruje dokładnie ten obraz
   • Aby przekonwertować go na skalę szarości
4. W przybliżeniu, jak inwersja tekstu zerowego radzi sobie z optymalizacją w procesie dyfuzji?
   • Optymalizuje pojedyncze wspólne osadzanie całego obrazu
   • Całkowicie pomija optymalizację
   • Optymalizuje tylko końcowy krok czasowy
   • Optymalizuje oddzielne osadzanie wartości zerowej dla każdego etapu odszumiania
5. Kluczową wadą oryginalnej inwersji tekstu zerowego jest to, że:
   • Optymalizacja poszczególnych obrazów, dzięki czemu jest ona stosunkowo powolna
   • Nie można używać podpowiedzi tekstowych
   • Można używać tylko w przypadku miniatur 8x8
   • Niekompatybilne ze stabilną dyfuzją
6. What does Prompt-to-Prompt use to control edits while retaining parts of an image layout?
   • A trainable 3D Gaussian representation
   • Cross-attention maps associated with prompt tokens
   • A classifier that labels every pixel as a new object
   • A new text encoder trained for each edited image
7. What role does pivotal inversion play in null-text inversion?
   • It replaces the diffusion model with a newly trained classifier
   • It deletes the input image before reconstruction
   • It provides a per-timestep noise trajectory that anchors later optimization
   • It selects a new text prompt without using the image
8. During null-text optimization, which components does the method keep fixed?
   • Only the input image dimensions
   • The model weights and every unconditional embedding at initialization
   • The image caption and all diffusion timesteps
   • The pretrained model weights and the conditional text embedding