แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบตัวอย่าง DDPM และ DDIM

เปรียบเทียบการสุ่มตัวอย่างแบบย้อนกลับ DDPM และ DDIM รวมถึงการฝึกที่ใช้ร่วมกัน การควบคุมการสุ่ม การข้ามลำดับเวลา และการประมาณการภาพที่สะอาด

เส้นทางแนะนำที่เกี่ยวข้องDdpm และ Ddim แซมเพลอร์
คำถาม 1 ของ 8

ข้อได้เปรียบเชิงปฏิบัติหลักของ DDIM เหนือ DDPM คืออะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. ข้อได้เปรียบเชิงปฏิบัติหลักของ DDIM เหนือ DDPM คืออะไร?
    • สามารถสร้างภาพที่เทียบเคียงได้ในขั้นตอนการสุ่มตัวอย่างที่น้อยกว่ามาก
    • ต้องใช้เครือข่ายที่ได้รับการฝึกอบรมที่แตกต่างไปจากเดิมอย่างสิ้นเชิง
    • โดยจะเพิ่มสัญญาณรบกวนแบบสุ่มมากขึ้นในแต่ละขั้นตอนเพื่อคุณภาพที่ดีขึ้น
    • ใช้ได้กับภาพขาวดำเท่านั้น
  2. โครงข่ายประสาทเทียมของโมเดลการแพร่กระจายเรียนรู้ที่จะทำนายอะไรระหว่างการฝึกจริง ๆ
    • คำบรรยายภาพสุดท้าย
    • สัญญาณรบกวนที่ถูกเพิ่มเข้าไปในภาพในช่วงเวลาที่กำหนด
    • อัตราการบีบอัดของภาพ
    • การตั้งค่ากล้องที่ใช้ในการถ่ายภาพ
  3. เหตุใด DDIM จึงสามารถสร้างภาพที่เหมือนกันทุกประการจากสัญญาณรบกวนเริ่มต้นที่เหมือนกันทุกครั้ง
    • เพราะมันแคชรูปภาพที่สร้างไว้ก่อนหน้านี้
    • เพราะมันจะใช้พรอมต์คงที่เสมอ
    • เนื่องจากกระบวนการสุ่มตัวอย่างถูกกำหนดไว้โดยไม่มีการสุ่มตัวอย่าง
    • เพราะมันเฉลี่ยวิ่งสุ่มหลายรอบด้วยกัน
  4. ใน DDIM ค่าของพารามิเตอร์ eta ใดที่กู้คืนพฤติกรรม DDPM สุ่มดั้งเดิม
    • กทพ. = 0
    • กทพ. = -1
    • กทพ. = 100
    • กทพ. = 1
  5. โดยทั่วไป DDPM ดั้งเดิมต้องใช้ประมาณกี่ขั้นตอนสำหรับตัวอย่างคุณภาพสูง
    • หลายร้อยถึงประมาณพันก้าว
    • 3 ขั้นตอนเลยทีเดียว
    • ขั้นตอนเดียว
    • มากกว่าหนึ่งล้านก้าว
  6. ข้อใดต่อไปนี้เป็นค่าประมาณ DDIM ระดับกลางที่สำคัญก่อนที่จะก้าวไปข้างหน้า
    • ขนาดไฟล์ของเอาต์พุต
    • ภาพที่คาดการณ์ไว้สะอาด x0
    • ความยาวการฝังพร้อมท์ของผู้ใช้
    • อุณหภูมิของ GPU
  7. 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
  8. 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