Test de inversare a textului nul

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce optimizează de fapt inversarea textului nul?
   • Încorporarea textului goală (nulă) utilizată în ghidarea fără clasificator
   • Greutățile întregii difuzii U-Net
   • Pixelii imaginii de intrare direct
   • Codificatorul de imagine CLIP
2. De ce inversarea DDIM simplă devine nesigură atunci când este utilizată pentru editare?
   • Funcționează doar pe imagini sintetice
   • Ghidarea fără clasificator își amplifică deriva de reconstrucție
   • Necesită recalificarea modelului
   • Nu poate rula în spațiu latent
3. Care este scopul principal de a inversa o imagine reală înainte de a o edita?
   • Pentru a comprima imaginea pentru stocare
   • Pentru a elimina metadatele imaginii
   • Pentru a găsi un zgomot/punct de pornire latent care regenerează acea imagine exactă
   • Pentru a-l converti în tonuri de gri
4. Aproximativ, cum gestionează inversarea textului nul optimizarea în procesul de difuzare?
   • Optimizează o singură încorporare partajată pentru întreaga imagine
   • Omite complet optimizarea
   • Optimizează doar intervalul de timp final
   • Optimizează o încorporare nulă separată pentru fiecare pas de timp de eliminare a zgomotului
5. Un dezavantaj esențial al inversării inițiale a textului nul este că este:
   • Optimizare pe imagine, ceea ce o face relativ lentă
   • Nu se pot folosi solicitările text
   • Utilizabil numai pe miniaturi de 8x8
   • Incompatibil cu difuzia stabilă
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