Questionário sobre modelos de difusão latente

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é a principal inovação dos modelos de difusão latente em comparação com a difusão no espaço de pixels?
   • Eles executam o processo de difusão em um espaço latente comprimido em vez de pixels brutos
   • Eles eliminam a necessidade de qualquer rede neural
   • Eles só funcionam em imagens em preto e branco
   • Eles não exigem nenhum dado de treinamento
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. Como o texto é normalmente injetado na U-Net com eliminação de ruído em difusão latente?
   • Concatenando a string de texto bruto à imagem
   • Editando pixels manualmente
   • Por meio de camadas de atenção cruzada usando incorporações de texto
   • O texto não pode ser usado de forma alguma
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. O que o modelo de difusão aprende a fazer durante o treinamento?
   • Para classificar imagens em categorias
   • Para reverter um processo gradual de ruído e eliminar o ruído passo a passo
   • Para compactar texto em áudio
   • Para traduzir idiomas
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels