Testul de modele de difuzare video

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este ideea fundamentală din spatele unui model de difuzie?
   • Învățând să inversezi un proces care adaugă treptat zgomot, dezgomotând pas cu pas
   • Copierea cadrelor din videoclipurile existente
   • Comprimarea sunetului în imagini
   • Criptarea datelor pentru securitate
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. Ce tehnică ajută un model de difuzare video să urmeze cu putere un mesaj text?
   • Ghid fără clasificator
   • Amestecare aleatorie a cadrelor
   • Scăderea rezoluției
   • Eliminarea completă a promptului
6. De ce sunt aplicate tehnici precum distilarea și soluțiile mai rapide la difuzia video?
   • Pentru a face modelul să uite date
   • Deoarece eșantionarea cu mai mulți pași este lentă și reduc numărul de pași
   • Pentru a adăuga mai mult zgomot permanent
   • Pentru a dezactiva solicitarea textului
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