Вікторина, пов’язана з посібником · Середній Рівень

Тест про вибірки DDPM і DDIM

Порівняйте зворотну вибірку DDPM і DDIM, включаючи спільне навчання, елементи керування стохастичністю, пропуск кроків за часом і оцінки чистого зображення.

Пов'язані напрямні шляхиПробники Ddpm і Ddim
Питання 1 з 8

У чому головна практична перевага DDIM перед DDPM?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. У чому головна практична перевага DDIM перед DDPM?
    • Він може створювати порівнювані зображення за набагато меншу кількість кроків вибірки
    • Для цього потрібна зовсім інша навчена мережа
    • Це додає більше випадкового шуму на кожному кроці для кращої якості
    • Працює лише на чорно-білих зображеннях
  2. Що насправді вчиться прогнозувати нейронна мережа моделі дифузії під час навчання?
    • Остаточний підпис до зображення
    • Шум, який було додано до зображення на певному кроці часу
    • Ступінь стиснення зображення
    • Налаштування камери, які використовуються для зйомки фотографії
  3. Чому DDIM може щоразу створювати абсолютно однакове зображення з однакового початкового шуму?
    • Оскільки він кешує раніше згенеровані зображення
    • Оскільки він завжди використовує фіксовану підказку
    • Оскільки його процес вибірки є детермінованим без введення випадковості
    • Оскільки це усереднює багато випадкових прогонів разом
  4. Яке значення параметра eta в DDIM відновлює початкову стохастичну поведінку DDPM?
    • ета = 0
    • ета = -1
    • ета = 100
    • ета = 1
  5. Приблизно скільки кроків зазвичай потрібно для оригінального DDPM для високоякісних зразків?
    • Від сотні до приблизно тисячі кроків
    • Рівно 3 кроки
    • Один крок
    • Більше мільйона кроків
  6. Що з цього є ключовим проміжним обчисленням DDIM перед тим, як зробити крок вперед?
    • Розмір виведеного файлу
    • Прогнозований чистий образ x0
    • Довжина підказки користувача
    • Температура GPU
  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