แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบตัวอย่าง DDPM และ DDIM
เปรียบเทียบการสุ่มตัวอย่างแบบย้อนกลับ DDPM และ DDIM รวมถึงการฝึกที่ใช้ร่วมกัน การควบคุมการสุ่ม การข้ามลำดับเวลา และการประมาณการภาพที่สะอาด
คำถาม 1 ของ 8
ข้อได้เปรียบเชิงปฏิบัติหลักของ DDIM เหนือ DDPM คืออะไร?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- ข้อได้เปรียบเชิงปฏิบัติหลักของ DDIM เหนือ DDPM คืออะไร?
- สามารถสร้างภาพที่เทียบเคียงได้ในขั้นตอนการสุ่มตัวอย่างที่น้อยกว่ามาก
- ต้องใช้เครือข่ายที่ได้รับการฝึกอบรมที่แตกต่างไปจากเดิมอย่างสิ้นเชิง
- โดยจะเพิ่มสัญญาณรบกวนแบบสุ่มมากขึ้นในแต่ละขั้นตอนเพื่อคุณภาพที่ดีขึ้น
- ใช้ได้กับภาพขาวดำเท่านั้น
- โครงข่ายประสาทเทียมของโมเดลการแพร่กระจายเรียนรู้ที่จะทำนายอะไรระหว่างการฝึกจริง ๆ
- คำบรรยายภาพสุดท้าย
- สัญญาณรบกวนที่ถูกเพิ่มเข้าไปในภาพในช่วงเวลาที่กำหนด
- อัตราการบีบอัดของภาพ
- การตั้งค่ากล้องที่ใช้ในการถ่ายภาพ
- เหตุใด DDIM จึงสามารถสร้างภาพที่เหมือนกันทุกประการจากสัญญาณรบกวนเริ่มต้นที่เหมือนกันทุกครั้ง
- เพราะมันแคชรูปภาพที่สร้างไว้ก่อนหน้านี้
- เพราะมันจะใช้พรอมต์คงที่เสมอ
- เนื่องจากกระบวนการสุ่มตัวอย่างถูกกำหนดไว้โดยไม่มีการสุ่มตัวอย่าง
- เพราะมันเฉลี่ยวิ่งสุ่มหลายรอบด้วยกัน
- ใน DDIM ค่าของพารามิเตอร์ eta ใดที่กู้คืนพฤติกรรม DDPM สุ่มดั้งเดิม
- กทพ. = 0
- กทพ. = -1
- กทพ. = 100
- กทพ. = 1
- โดยทั่วไป DDPM ดั้งเดิมต้องใช้ประมาณกี่ขั้นตอนสำหรับตัวอย่างคุณภาพสูง
- หลายร้อยถึงประมาณพันก้าว
- 3 ขั้นตอนเลยทีเดียว
- ขั้นตอนเดียว
- มากกว่าหนึ่งล้านก้าว
- ข้อใดต่อไปนี้เป็นค่าประมาณ DDIM ระดับกลางที่สำคัญก่อนที่จะก้าวไปข้างหน้า
- ขนาดไฟล์ของเอาต์พุต
- ภาพที่คาดการณ์ไว้สะอาด x0
- ความยาวการฝังพร้อมท์ของผู้ใช้
- อุณหภูมิของ GPU
- What does DDIM change compared with DDPM when using a model trained with the DDPM procedure?
- It replaces the network with a text classifier
- It changes the training data from images to audio
- It changes the sampling trajectory while reusing the trained denoising network
- It removes the need to estimate noise
- Why can DDIM skip selected diffusion timesteps during sampling?
- The training process never added noise
- Each skipped timestep is replaced by a larger image
- It copies an earlier generated image from a cache
- Its non-Markovian sampling path can connect noise levels without visiting every training step