Викторина по инверсии нулевого текста

Ответы и пояснения появляются по мере прохождения теста.

1. Что на самом деле оптимизирует инверсия нулевого текста?
   • Встраивание пустого (нулевого) текста, используемое в руководстве без классификатора.
   • Веса всей диффузионной сети U-Net
   • Пиксели входного изображения напрямую
   • Кодер изображений CLIP
2. Почему простая инверсия DDIM становится ненадежной при использовании для редактирования?
   • Работает только с синтетическими изображениями.
   • Руководство без классификатора усиливает дрейф реконструкции
   • Требуется переобучение модели
   • Он не может работать в скрытом пространстве
3. Какова основная цель инвертирования реального изображения перед его редактированием?
   • Сжатие изображения для хранения
   • Удаление метаданных изображения
   • Чтобы найти шумовую/скрытую отправную точку, которая восстанавливает именно это изображение
   • Чтобы преобразовать его в оттенки серого
4. Как примерно инверсия нулевого текста обеспечивает оптимизацию процесса распространения?
   • Он оптимизирует одно общее встраивание для всего изображения.
   • Он полностью пропускает оптимизацию
   • Он оптимизирует только последний временной шаг
   • Он оптимизирует отдельное встраивание нуля для каждого временного шага шумоподавления.
5. Ключевым недостатком исходной инверсии нулевого текста является то, что она:
   • Оптимизация каждого изображения, что делает ее относительно медленной.
   • Невозможно использовать текстовые подсказки
   • Можно использовать только для миниатюр 8x8.
   • Несовместим со стабильной диффузией.
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