Questionário vinculado ao guia · Médio Nível

Teste de SDXL e difusão em cascata

Verifique a difusão latente do SDXL, os codificadores de prompt, o condicionamento de tamanho e colheita e os robustos estágios de super-resolução usados ​​em cascatas.

Caminhos de guia relacionadosSdxl e difusão em cascata
Pergunta 1 de 8

Em que resolução nativa o SDXL gera imagens, em comparação com o Stable Diffusion original?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Em que resolução nativa o SDXL gera imagens, em comparação com o Stable Diffusion original?
    • 1024x1024 x 512x512
    • 256 x 256 versus 128 x 128
    • 2048x2048 x 1024x1024
    • 768x768 x 256x256
  2. Qual é o papel do modelo refinador do SDXL?
    • Ele codifica o prompt de texto
    • Ele adiciona detalhes finos durante as etapas finais de remoção de ruído de baixo ruído
    • Ele comprime imagens no espaço latente
    • Ele gera o ruído aleatório inicial
  3. Quantos codificadores de texto o SDXL usa?
    • Um
    • Três
    • Dois
    • zero
  4. Qual é a ideia central da difusão em cascata?
    • Treinando um único modelo gigante em todas as resoluções de uma só vez
    • Removendo o codificador de texto para acelerar a geração
    • Substituindo a difusão por um GAN em todas as fases
    • Encadeando um modelo básico com modelos de difusão de super-resolução que aumentam progressivamente
  5. Por que o SDXL elimina ruído em um espaço latente em vez de diretamente nos pixels?
    • Torna a remoção de ruído computacionalmente mais barata
    • Imagens latentes do espaço parecem mais coloridas
    • Pixels não podem ser eliminados de ruído
    • Evita a necessidade de um prompt de texto
  6. Qual técnica reduz o SDXL a apenas uma a quatro etapas de geração?
    • Condicionamento de colheita
    • Métodos de destilação como SDXL Turbo e modelos de consistência latente
    • Adicionando mais codificadores de texto
    • Aumentando o tamanho do VAE
  7. What do SDXL's size and crop conditioning inputs tell the model?
    • Which training dataset owns the prompt
    • The number of denoising steps to run
    • The target image size and framing or crop
    • The image's final file format and compression level
  8. What problem does noise-conditioning augmentation address in a cascaded diffusion pipeline?
    • Ele elimina a necessidade de um prompt de texto
    • It guarantees that every stage produces the same resolution
    • It converts the latent image into an audio signal
    • It helps later super-resolution stages handle errors or uncertainty in the previous stage's low-resolution image