แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการแพร่กระจายวิดีโอที่เสถียร
เข้าใจการตรวจสอบภาพเป็นวิดีโอของ Stable Video Diffusion, ชั้นเวลา, การฝึกแบบขั้นตอน, และข้อจำกัดของโมเดลและใบอนุญาต
คำถาม 1 ของ 8
What input does a public Stable Video Diffusion image-to-video checkpoint use?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- What input does a public Stable Video Diffusion image-to-video checkpoint use?
- ภาพนิ่งอันเดียว
- ไฟล์ตาข่าย 3 มิติ
- บทภาพยนตร์ฉบับเต็มเท่านั้น
- การบันทึกไมโครโฟน
- SVD เพิ่มอะไรให้กับสถาปัตยกรรม Stable Diffusion ของภาพนิ่งเพื่อรองรับการเคลื่อนไหว
- จานสีที่ใหญ่ขึ้น
- เลเยอร์ชั่วคราวที่เชื่อมต่อเฟรมเมื่อเวลาผ่านไป
- โมดูลการสังเคราะห์เสียง
- เครื่องตรวจตัวสะกดสำหรับคำบรรยาย
- การกระจายวิดีโอที่เสถียรทำหน้าที่ลดสัญญาณรบกวนในพื้นที่ประเภทใดเพื่อประหยัดการประมวลผล
- พื้นที่พิกเซลแบบเต็มความละเอียดดิบ
- โดเมนความถี่เท่านั้น
- พื้นที่แฝงที่ถูกบีบอัด
- พื้นที่โทเค็นข้อความ
- What was significant about SVD’s research release?
- It removed all license conditions
- It was accessible only as a closed cloud API
- It released audio weights but no video model
- It made code and model weights available for research and adaptation under their license terms
- โดยทั่วไปจุดตรวจสาธารณะของ SVD จะสร้างเฟรมได้ประมาณกี่เฟรม
- ประมาณ 14 ถึง 25 เฟรม
- 1 เฟรมเลยทีเดียว
- หลายพันเฟรม
- สตรีมต่อเนื่องได้ไม่จำกัด
- Stability AI เน้นแนวทางการฝึกอบรมแบบใดสำหรับ SVD
- การฝึกยิงนัดเดียวจะดำเนินการในคลิปสุ่ม
- สูตรอาหารแบบเป็นฉาก: พรีเทรนรูปภาพ พรีเทรนวิดีโอ จากนั้นปรับแต่งคุณภาพสูง
- การฝึกอบรมเฉพาะภาพนิ่งเท่านั้น
- ไม่มีการฝึกล่วงหน้าเลย
- What downstream video adaptation does the SVD paper discuss using LoRA?
- Speaker-identity adaptation for audio
- Automatic SQL generation
- Camera-motion-specific adaptation
- Dependency-label prediction
- What additional visual-generation capability did the SVD paper explore from its base model?
- Generating a dependency parse for every frame
- Separating a song into instrument stems
- Estimating speech intelligibility
- Fine-tuning a model to jointly generate multiple views of objects