Boş Metin Ters Çevirme Sınavı

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

1. Boş metin ters çevirme gerçekte neyi optimize eder?
   • Sınıflandırıcısız kılavuzda kullanılan boş (boş) metin yerleştirme
   • Tüm difüzyon U-Net'in ağırlıkları
   • Giriş görüntüsünün pikselleri doğrudan
   • CLIP görüntü kodlayıcı
2. Düzenleme için kullanıldığında düz DDIM ters çevirme neden güvenilmez hale geliyor?
   • Yalnızca sentetik görüntülerde çalışır
   • Sınıflandırıcı içermeyen rehberlik, yeniden yapılanma sapmasını güçlendirir
   • Modelin yeniden eğitilmesini gerektirir
   • Gizli alanda çalışamaz
3. Gerçek bir görüntüyü düzenlemeden önce tersine çevirmenin ana amacı nedir?
   • Görüntüyü depolama amacıyla sıkıştırmak için
   • Resmin meta verilerini kaldırmak için
   • Tam görüntüyü yeniden üreten bir gürültü/gizli başlangıç noktası bulmak için
   • Gri tonlamaya dönüştürmek için
4. Boş metin ters çevirme, yayılma süreci boyunca optimizasyonu kabaca nasıl ele alıyor?
   • Görüntünün tamamı için tek bir paylaşılan yerleştirmeyi optimize eder
   • Optimizasyonu tamamen atlıyor
   • Yalnızca son zaman adımını optimize eder
   • Her gürültü giderme zaman adımı için ayrı bir boş değer yerleştirmeyi optimize eder
5. Orijinal boş metin ters çevirmenin önemli bir dezavantajı şudur:
   • Görüntü başına optimizasyon, nispeten yavaş hale getirir
   • Metin istemleri kullanılamıyor
   • Yalnızca 8x8 küçük resimlerde kullanılabilir
   • Kararlı Difüzyonla uyumsuz
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