Maswali ya Kukadiria Kina cha Marigold

Majibu na maelezo huonekana unapojibu maswali.

1. Marigold hujenga mfano gani uliofunzwa mapema?
   • Stable Diffusion
   • GPT-4
   • YOLOv8
   • ResNet-50
2. Marigold anawekaje kazi ya kukadiria kina?
   • Kama shida ya uainishaji
   • Kama kizazi cha masharti cha ramani ya kina
   • Kama mafunzo ya kuimarisha
   • Kama shida ya nguzo
3. Ni nini kilishangaza kuhusu data ya mafunzo ya Marigold?
   • Ilitumia mabilioni ya uchunguzi wa kina halisi
   • Haikuhitaji mafunzo hata kidogo
   • Ilirekebishwa vyema haswa kwenye seti za data za sanisi lakini zimejumlishwa kwa picha halisi
   • Ilitumia data ya sauti pekee
4. Kwa nini Marigold kawaida ni polepole kuliko mifano ya kina ya kulisha-mbele?
   • Inaendesha kwenye CPU pekee
   • Inapakua data kutoka kwa mtandao kila wakati
   • Inafundisha tena kwa kila picha
   • Inatumia kitanzi cha sampuli cha kutoa sauti inayorudia
5. Katika nafasi gani Marigold hufanya mchakato wake wa kueneza?
   • Nafasi fiche ya Diffusion's VAE
   • Nafasi ya pikseli ghafi
   • Frequency/Nafasi Nne
   • Nafasi ya uhakika-wingu
6. Marigold inawezaje kuboresha uthabiti wa kina katika kukimbia?
   • Kwa kupunguza azimio la picha
   • Kwa kujumuisha utabiri wa sampuli nyingi
   • Kwa kuzima VAE
   • Kwa kugeuza kuwa kijivu
7. What does affine-invariant relative depth mean for a Marigold prediction?
   • Every pixel gives exact distance in meters without calibration
   • The output contains color labels instead of depth
   • Depth ordering is useful, but the output's absolute scale and offset need not equal real-world measurements
   • Only the nearest object receives a depth value
8. Which pair of inputs does Marigold encode with the same VAE during its latent diffusion process?
   • The camera pose and a 3D mesh
   • The text prompt and a CLIP score
   • Two stereo images from separate cameras
   • The input image and the depth map