Викторина по созданию движений AnimateDiff

Ответы и пояснения появляются по мере прохождения теста.

1. Какова основная идея AnimateDiff?
   • Обучение совершенно новой видеомодели с нуля на миллионах клипов
   • Интерполяция между двумя изображениями с использованием только оптического потока
   • Запись реального видео и его покадровое изменение стиля
   • Подключение обученного модуля движения к модели диффузии замороженного изображения
2. What checkpoint compatibility condition matters when reusing an AnimateDiff motion module?
   • Every image generator accepts every motion module regardless of architecture
   • The personalized image checkpoint must be compatible with the supported base architecture and module
   • Freezing any arbitrary model makes it automatically compatible
   • The image checkpoint's filename alone establishes compatibility
3. Как модуль движения обеспечивает согласованность кадров друг с другом?
   • Через временные уровни внимания, которые позволяют кадрам присутствовать во времени.
   • Размывая каждый кадр одинаково
   • Создав только один кадр и скопировав его
   • Используя фиксированную предварительно записанную анимацию
4. Какое семейство моделей AnimateDiff больше всего ассоциируется с расширением?
   • Языковые модели GPT
   • Модели распознавания речи
   • Стабильные диффузионные модели изображений
   • Табличные регрессионные модели
5. Чем обычно управляет LoRA движения в экосистеме AnimateDiff?
   • Словарь кодировщика текста
   • Определенные движения камеры, такие как панорамирование, масштабирование или вращение.
   • Звуковая дорожка видео
   • Формат файла вывода
6. How should a sixteen-frame AnimateDiff result be interpreted relative to the method's possible configurations?
   • As a guarantee that every deployment must output exactly sixteen frames
   • As proof that the method generates a feature-length film in one step
   • As a rule that the generated video contains only a single still image
   • As a short-clip configuration, rather than a universal fixed duration for every version
7. What does SparseCtrl add to an AnimateDiff-style generation workflow?
   • A requirement to provide a manually labeled image for every frame
   • An audio transcription model that replaces temporal attention
   • Conditioning from a sparse set of reference images at selected frame positions
   • A guarantee that any unrelated image architecture is compatible
8. How does a motion LoRA's camera control differ from SparseCtrl's reference-image guidance?
   • A motion LoRA steers a learned movement pattern, while SparseCtrl supplies visual content at selected frames
   • They are identical names for a text tokenizer
   • SparseCtrl controls only the video filename
   • Motion LoRAs require a complete reference frame at every timestamp