Rehber bağlantılı sınav · Orta Seviye

DDPM ve DDIM Örnekleyiciler Testi

Paylaşılan eğitim, stokastiklik kontrolleri, zaman adımı atlama ve temiz görüntü tahminleri dahil olmak üzere DDPM ve DDIM ters örneklemeyi karşılaştırın.

İlgili kılavuz yollarıDdpm ve Ddim Örnekleyicileri
Soru 1 arasında 8

DDIM'in DDPM'ye göre temel pratik avantajı nedir?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. DDIM'in DDPM'ye göre temel pratik avantajı nedir?
    • Çok daha az örnekleme adımında karşılaştırılabilir görüntüler üretebilir
    • Tamamen farklı bir eğitimli ağ gerektirir
    • Daha iyi kalite için her adımda daha fazla rastgele gürültü ekler
    • Yalnızca siyah beyaz görüntülerde çalışır
  2. Bir yayılma modelinin sinir ağı, eğitim sırasında gerçekte neyi tahmin etmeyi öğrenir?
    • Resmin son yazısı
    • Belirli bir zaman adımında görüntüye eklenen gürültü
    • Görüntünün sıkıştırma oranı
    • Fotoğraf çekmek için kullanılan kamera ayarları
  3. DDIM neden her seferinde aynı başlangıç gürültüsünden tam olarak aynı görüntüyü üretebiliyor?
    • Çünkü önceden oluşturulmuş görüntüleri önbelleğe alır
    • Çünkü her zaman sabit bir istem kullanır
    • Çünkü örnekleme süreci rastgelelik enjekte edilmeden deterministiktir
    • Çünkü birçok rastgele koşunun ortalamasını bir arada alır
  4. DDIM'de eta parametresinin hangi değeri orijinal stokastik DDPM davranışını kurtarır?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. Yüksek kaliteli numuneler için orijinal DDPM'nin tipik olarak yaklaşık olarak kaç adıma ihtiyacı vardı?
    • Yüzlerce ila yaklaşık bin adım
    • Tam olarak 3 adım
    • Tek bir adım
    • Bir milyondan fazla adım
  6. Bunlardan hangisi ileri adım atmadan önce yapılan DDIM tahminlerinin temel ara miktarıdır?
    • Çıktının dosya boyutu
    • Tahmin edilen temiz görüntü x0
    • Kullanıcının bilgi istemi yerleştirme uzunluğu
    • GPU sıcaklığı
  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