Test cu modele de difuzie latentă

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este principala inovație a modelelor de difuzie latentă în comparație cu difuzia spațiu-pixel?
   • Ei rulează procesul de difuzie într-un spațiu latent comprimat în loc de pixeli bruti
   • Ele elimină necesitatea oricărei rețele neuronale
   • Funcționează doar pe imagini alb-negru
   • Nu necesită deloc date de antrenament
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. Cum este de obicei injectat textul în U-Net de dezgomot în difuzie latentă?
   • Prin concatenarea șirului de text brut la imagine
   • Prin editarea manuală a pixelilor
   • Prin straturi de atenție încrucișată folosind încorporarea textului
   • Textul nu poate fi folosit deloc
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. Ce învață să facă modelul de difuzie în timpul antrenamentului?
   • Pentru a clasifica imaginile în categorii
   • Pentru a inversa un proces de zgomot treptat și a elimina zgomotul pas cu pas
   • Pentru a comprima textul în audio
   • Pentru a traduce limbi
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