Rehber bağlantılı sınav · Orta Seviye

GigaGAN Ölçekli Jeneratörler Testi

GigaGAN'ın metin koşullu mimarisini, üretim hızını, çok ölçekli ayırıcıyı, gizli düzenlemeyi ve ayrı yüksek çözünürlüklü üst örnekleyiciyi keşfedin.

İlgili kılavuz yollarıGigagan Ölçekli Jeneratörler
Soru 1 arasında 8

What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. What total parameter count did the paper report for one high-capacity GigaGAN framework configuration?
    • 1.0 billion total across the 652.5M base generator and 359.1M upsampler
    • 70 million total across a 64M generator and 6M discriminator
    • 1.0 billion in the base generator alone, with no upsampler
    • 3.5 billion total across two text encoders
  2. GigaGAN'ın difüzyon modellerine göre büyük hız avantajı nedir?
    • GPU'ya ihtiyacı yok
    • Birçok gürültü giderici adım yerine tek bir ileri geçişte görüntü oluşturur
    • Bir saniyede eğitiliyor
    • Hiçbir sinir ağı kullanmaz
  3. GigaGAN'ın 'örneğe uyarlanabilir çekirdek seçimi' ne işe yarar?
    • Kullanılmayan pikselleri siler
    • Görüntüyü JPEG olarak sıkıştırır
    • Metin isteminden türetilen ağırlıkları kullanarak bir dizi evrişim filtresini harmanlar
    • GPU'yu otomatik olarak seçer
  4. GigaGAN metin bilgisini görüntü oluşturmaya nasıl dahil ediyor?
    • İstemi kırparak
    • Metni tamamen yok sayar
    • Metni görselin üzerine yazdırarak
    • Metin yerleştirmelere ve eşleşen CLIP özelliklerine dikkat edilerek
  5. GigaGAN temel üretimin ötesinde hangi ekstra yeteneği sağlıyor?
    • 4K çözünürlüğe ulaşabilen ayrı bir GAN üst örnekleyici
    • Ses sentezi
    • Konuşma tanıma
    • Veritabanı sorgulama
  6. GigaGAN'ın gizli alanı düzenleme araçları için neden faydalıdır?
    • Düzenlenemez
    • Kontrol edilebilir değişiklikler için yumuşak enterpolasyonu ve stil karışımını destekler
    • Yalnızca metni saklar
    • Bir kullanımdan sonra görüntüyü siler
  7. How does GigaGAN’s image discriminator make predictions across resolutions?
    • It scores only the text prompt and ignores generated images
    • It predicts one label at the final resolution only
    • It receives an image pyramid and predicts real or fake at multiple input and downsampling scales
    • It compares generated images with a fixed set of training captions only
  8. What does GigaGAN’s base generator produce for later multi-scale processing?
    • A single class label for the entire image
    • A sequence of text tokens for an autoregressive decoder
    • Only the final upsampled image, with no intermediate scales
    • An image pyramid with outputs at several resolutions