Вікторина «Інверсія нульового тексту».

Відповіді та пояснення з’являються під час виконання тесту.

1. Що насправді оптимізує інверсія нульового тексту?
   • Вбудовування порожнього (нульового) тексту, що використовується в інструкціях без класифікатора
   • Ваги всієї дифузійної мережі U-Net
   • Безпосередньо пікселі вхідного зображення
   • Кодер зображення CLIP
2. Чому звичайна інверсія DDIM стає ненадійною, якщо її використовувати для редагування?
   • Працює лише на синтетичних зображеннях
   • Вказівки без класифікатора підсилюють дрейф реконструкції
   • Це вимагає перенавчання моделі
   • Він не може працювати в латентному просторі
3. Яка головна мета інвертування реального зображення перед його редагуванням?
   • Щоб стиснути зображення для зберігання
   • Щоб видалити метадані зображення
   • Щоб знайти шум/приховану вихідну точку, яка регенерує це точне зображення
   • Щоб перетворити його на градації сірого
4. Приблизно, як інверсія нульового тексту справляється з оптимізацією в процесі розповсюдження?
   • Він оптимізує єдине спільне вбудовування для всього зображення
   • Він повністю пропускає оптимізацію
   • Він оптимізує лише останній часовий крок
   • Він оптимізує окреме нульове вбудовування для кожного тимчасового кроку усунення шумів
5. Ключовим недоліком оригінальної інверсії нульового тексту є те, що вона:
   • Оптимізація для кожного зображення, що робить її відносно повільною
   • Неможливо використовувати текстові підказки
   • Можна використовувати лише на ескізах розміром 8x8
   • Несумісний зі стабільною дифузією
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