แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบการผกผันข้อความ Null

ทำความเข้าใจการผกผันที่สำคัญ การเพิ่มประสิทธิภาพการฝังแบบ null พารามิเตอร์โมเดลที่หยุดนิ่ง และวิธีที่การสร้างภาพจริงขึ้นมาใหม่สนับสนุนการแก้ไขที่ขับเคลื่อนโดยทันที

เส้นทางแนะนำที่เกี่ยวข้องการผกผันข้อความ Null
คำถาม 1 ของ 8

การกลับข้อความ null ปรับให้เหมาะสมจริง ๆ อะไร?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. การกลับข้อความ null ปรับให้เหมาะสมจริง ๆ อะไร?
    • การฝังข้อความว่าง (null) ที่ใช้ในคำแนะนำแบบไม่มีตัวแยกประเภท
    • น้ำหนักของการกระจาย U-Net ทั้งหมด
    • พิกเซลของภาพที่ป้อนเข้าโดยตรง
    • โปรแกรมเข้ารหัสรูปภาพ CLIP
  2. เหตุใดการผกผัน DDIM ธรรมดาจึงไม่น่าเชื่อถือเมื่อใช้สำหรับการแก้ไข
    • ใช้ได้กับรูปภาพสังเคราะห์เท่านั้น
    • คำแนะนำที่ปราศจากตัวแยกประเภทจะขยายการดริฟท์ของการสร้างใหม่
    • มันต้องมีการฝึกโมเดลใหม่
    • ไม่สามารถทำงานในพื้นที่แฝงได้
  3. เป้าหมายหลักของการกลับภาพจริงก่อนทำการแก้ไขคืออะไร?
    • เพื่อบีบอัดภาพเพื่อจัดเก็บ
    • หากต้องการลบข้อมูลเมตาของรูปภาพ
    • เพื่อค้นหาจุดเริ่มต้นสัญญาณรบกวน/แฝงที่สร้างภาพที่แน่นอนนั้นขึ้นมาใหม่
    • หากต้องการแปลงเป็นโทนสีเทา
  4. การผกผันข้อความ Null โดยประมาณจะจัดการกับการปรับให้เหมาะสมระหว่างกระบวนการแพร่กระจายได้อย่างไร
    • เพิ่มประสิทธิภาพการฝังที่ใช้ร่วมกันเพียงครั้งเดียวสำหรับทั้งภาพ
    • มันข้ามการเพิ่มประสิทธิภาพโดยสิ้นเชิง
    • โดยจะปรับให้เหมาะสมเฉพาะช่วงเวลาสุดท้ายเท่านั้น
    • โดยจะปรับการฝัง null แยกต่างหากสำหรับแต่ละไทม์สเต็ป denoising
  5. ข้อเสียที่สำคัญของการกลับข้อความ null ดั้งเดิมคือ:
    • การเพิ่มประสิทธิภาพต่อภาพทำให้ค่อนข้างช้า
    • ไม่สามารถใช้ข้อความแจ้งได้
    • ใช้ได้กับภาพขนาดย่อ 8x8 เท่านั้น
    • เข้ากันไม่ได้กับการแพร่กระจายที่เสถียร
  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