Questionário de inversão de texto nulo

As respostas e explicações aparecem conforme você responde ao teste.

1. O que a inversão de texto nulo realmente otimiza?
   • A incorporação de texto vazio (nulo) usada na orientação sem classificador
   • Os pesos de toda a difusão U-Net
   • Os pixels da imagem de entrada diretamente
   • O codificador de imagem CLIP
2. Por que a inversão simples de DDIM não é confiável quando usada para edição?
   • Funciona apenas em imagens sintéticas
   • A orientação sem classificador amplifica seu desvio de reconstrução
   • Requer um novo treinamento do modelo
   • Não pode ser executado em espaço latente
3. Qual é o principal objetivo de inverter uma imagem real antes de editá-la?
   • Para compactar a imagem para armazenamento
   • Para remover os metadados da imagem
   • Para encontrar um ponto de partida de ruído/latente que regenere aquela imagem exata
   • Para convertê-lo para escala de cinza
4. Aproximadamente como a inversão de texto nulo lida com a otimização em todo o processo de difusão?
   • Otimiza uma única incorporação compartilhada para toda a imagem
   • Ele ignora totalmente a otimização
   • Otimiza apenas o timestep final
   • Ele otimiza uma incorporação nula separada para cada intervalo de tempo de remoção de ruído
5. Uma desvantagem importante da inversão de texto nulo original é que ela é:
   • Otimização por imagem, tornando-a relativamente lenta
   • Não é possível usar prompts de texto
   • Utilizável apenas em miniaturas 8x8
   • Incompatível com difusão estável
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