Questionário sobre modelos de difusão de vídeo

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual é a ideia fundamental por trás de um modelo de difusão?
   • Aprendendo a reverter um processo que gradualmente adiciona ruído, eliminando o ruído passo a passo
   • Copiando frames de vídeos existentes
   • Compactando áudio em imagens
   • Criptografando dados para segurança
2. For a video diffusion model, what does temporal modeling add to the denoising process?
   • It guarantees every object remains physically correct
   • It lets the model represent dependencies among frames over time
   • It removes the image decoder from the pipeline
   • It turns each video into one text token
3. Why does the cited Stable Video Diffusion model use a latent representation?
   • To avoid using any learned decoder
   • To store all frames as discrete text tokens
   • To perform video diffusion on compressed latents before decoding frames
   • To guarantee there will be no flicker
4. How did the Stable Video Diffusion paper adapt an image diffusion model for video?
   • It replaced every image layer with a speech recognizer
   • It trained only a language model on video captions
   • It removed the image model and used optical flow alone
   • It inserted temporal layers into a pretrained image model and fine-tuned them on video data
5. Que técnica ajuda um modelo de difusão de vídeo a seguir fortemente um prompt de texto?
   • Orientação sem classificador
   • Embaralhamento aleatório de frames
   • Diminuindo a resolução
   • Removendo totalmente o prompt
6. Por que técnicas como destilação e solucionadores mais rápidos estão sendo aplicadas à difusão de vídeo?
   • Para fazer o modelo esquecer os dados
   • Porque a amostragem de eliminação de ruído em muitas etapas é lenta e reduz o número de etapas
   • Para adicionar mais ruído permanentemente
   • Para desativar o prompt de texto
7. In the Stable Video Diffusion paper, what distinguishes the SVD-XT model from the 14-frame SVD model?
   • It replaces diffusion with autoregressive text generation
   • It removes temporal layers and generates only a still image
   • SVD-XT is fine-tuned to generate 25 frames instead of 14
   • It uses audio tokens as the only conditioning input
8. What is one tradeoff when using fewer denoising steps through distillation or a faster solver?
   • Zero compute is required
   • The video no longer needs conditioning
   • Every result becomes temporally perfect
   • Faster generation may change fidelity or motion quality and must be evaluated