Видеовикторина по моделям диффузии

Ответы и пояснения появляются по мере прохождения теста.

1. В чем заключается основная идея диффузионной модели?
   • Научимся обращать вспять процесс, который постепенно добавляет шум, шаг за шагом уменьшая шум.
   • Копирование кадров из существующих видео
   • Сжатие звука в изображения
   • Шифрование данных для безопасности
2. Что временное моделирование добавляет к процессу шумоподавления для модели видеодиффузии?
   • 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. Почему упомянутая модель стабильной диффузии видео использует скрытое представление?
   • 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. Как статья Stable Video Diffusion адаптировала модель распространения изображений для видео?
   • 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. Какой метод помогает модели распространения видео четко следовать текстовой подсказке?
   • Руководство без классификаторов
   • Случайное перетасовывание кадров
   • Уменьшение разрешения
   • Удаление подсказки полностью
6. Почему для распространения видео применяются такие методы, как дистилляция и более быстрые решатели?
   • Чтобы модель забыла данные
   • Поскольку многоэтапная выборка с шумоподавлением происходит медленно, и они уменьшают количество шагов.
   • Чтобы навсегда добавить больше шума
   • Чтобы отключить текстовую подсказку
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