Questionário vinculado ao guia · Médio Nível

Questionário de ajuste multiconceito de difusão personalizada

Revise o ajuste de atenção cruzada do Custom Diffusion, a personalização de poucos disparos, a regularização e as formas suportadas de compor vários conceitos.

Caminhos de guia relacionadosAjuste de multiconceito de difusão personalizada
Pergunta 1 de 8

Qual parte do modelo de difusão o Custom Diffusion ajusta principalmente?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual parte do modelo de difusão o Custom Diffusion ajusta principalmente?
    • As projeções de chave e valor nas camadas de atenção cruzada
    • Cada peso na U-Net
    • Somente o decodificador VAE
    • O tokenizador de texto
  2. Qual é o aspecto mais notável da Difusão Personalizada em comparação aos métodos de conceito único?
    • Gerando vídeo em vez de imagens
    • Compondo vários conceitos recém-aprendidos em uma cena
    • Não exigindo nenhuma imagem
    • Executando apenas em CPUs
  3. What minimum number of training images did the Custom Diffusion paper report using in some experiments?
    • As few as four images
    • At least 500 images
    • Exactly one image in every experiment
    • The paper specifies no concept images
  4. Por que o Custom Diffusion usa um conjunto de imagens de regularização da categoria mais ampla do conceito?
    • Para acelerar o VAE
    • Para aumentar a resolução da imagem
    • Para remover marcas d'água
    • Para evitar overfitting e desvio de linguagem na palavra conceitual
  5. Como dois conceitos de difusão personalizada treinados separadamente podem ser usados juntos?
    • Mesclando-os por meio de uma otimização restrita sobre os pesos ajustados
    • Eles nunca podem ser combinados
    • Calculando a média das imagens de entrada
    • Treinando novamente o modelo completo do zero
  6. What proportion of model weights did the Custom Diffusion paper report storing for its tuned subset?
    • About 3% of the model weights
    • All model weights plus a new model copy
    • No trained parameters at all
    • A fixed 50% of the model weights
  7. Besides merging separately tuned models, how does Custom Diffusion support learning multiple concepts?
    • It requires a separate foundation model for every prompt
    • It replaces all cross-attention with a fixed lookup table
    • It can train for multiple concepts jointly
    • It can only learn one concept per model
  8. In a cross-attention layer, what do the tuned text-side key and value projections help associate?
    • Image pixels with internet search results
    • The diffusion timestep with the model's source code
    • Audio frequencies with a document's page number
    • Prompt concepts with features in the image latent representation