Вікторина, пов’язана з посібником · Середній Рівень

Тест про масштабовані генератори GigaGAN

Ознайомтеся з текстовою архітектурою GigaGAN, швидкістю генерації, багатомасштабним дискримінатором, латентним редагуванням і окремим підвищенням дискретизації високої роздільної здатності.

Пов'язані напрямні шляхиМасштабні генератори Gigagan
Питання 1 з 8

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

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  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. У чому головна перевага GigaGAN у швидкості перед дифузійними моделями?
    • Він не потребує GPU
    • Він генерує зображення за один прохід вперед замість багатьох кроків усунення шуму
    • Він тренується за одну секунду
    • Він не використовує нейронні мережі
  3. Що робить «адаптивний вибір ядра» GigaGAN?
    • Видаляє невикористані пікселі
    • Стискає зображення до JPEG
    • Змішує банк фільтрів згортки, використовуючи ваги, отримані з текстового підказки
    • Вибирає GPU автоматично
  4. Як GigaGAN включає текстову інформацію в генерацію зображення?
    • Обрізаючи підказку
    • Він повністю ігнорує текст
    • Друкуючи текст на зображенні
    • Через перехресну увагу до вбудованих текстів і відповідних функцій CLIP
  5. Які додаткові можливості надає GigaGAN крім базового покоління?
    • Окремий GAN upsampler, який може досягати роздільної здатності 4K
    • Синтез звуку
    • Розпізнавання мовлення
    • Запит до бази даних
  6. Чому латентний простір GigaGAN корисний для інструментів редагування?
    • Його не можна редагувати
    • Він підтримує плавну інтерполяцію та змішування стилів для контрольованих змін
    • Він зберігає лише текст
    • Він видаляє зображення після одного використання
  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