Test legat de ghid · Mediu Nivel

Chestionar de reglare personalizată cu mai multe concepte

Review Custom Diffusion's cross-attention tuning, few-shot personalization, regularization, and supported ways to compose multiple concepts.

Căi de ghidare aferenteTuning Multi Concept Diffusion personalizat
Întrebare 1 de 8

Care parte a modelului de difuzie ajustează în primul rând Difuziunea personalizată?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Care parte a modelului de difuzie ajustează în primul rând Difuziunea personalizată?
    • Proiecțiile cheie și valorice în straturi de atenție încrucișată
    • Fiecare greutate din U-Net
    • Doar decodorul VAE
    • Tokenizatorul de text
  2. Pentru ce este cel mai remarcabil difuzarea personalizată în comparație cu metodele cu un singur concept?
    • Generarea video în loc de imagini
    • Compunerea mai multor concepte nou învățate într-o singură scenă
    • Nu necesită deloc imagini
    • Rulează doar pe procesoare
  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. De ce Custom Diffusion folosește un set de imagini de regularizare din categoria mai largă a conceptului?
    • Pentru a accelera VAE
    • Pentru a crește rezoluția imaginii
    • Pentru a elimina filigranele
    • Pentru a preveni supraadaptarea și deviația limbajului asupra cuvântului concept
  5. Cum pot fi utilizate împreună două concepte de difuzare personalizată instruite separat?
    • Prin îmbinarea lor printr-o optimizare restrânsă asupra greutăților reglate
    • Ele nu pot fi niciodată combinate
    • Prin mediarea imaginilor de intrare
    • Prin recalificarea modelului complet de la 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