Вікторина, пов’язана з посібником · Середній Рівень

Вікторина SDXL і Cascaded Diffusion

Перевірте приховану дифузію SDXL, кодери підказок, кондиціонування розміру та культури, а також надійні каскади з високою роздільною здатністю.

Пов'язані напрямні шляхиSdxl і каскадна дифузія
Питання 1 з 8

З якою рідною роздільною здатністю створює зображення SDXL порівняно з оригінальною стабільною дифузією?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. З якою рідною роздільною здатністю створює зображення SDXL порівняно з оригінальною стабільною дифузією?
    • 1024x1024 проти 512x512
    • 256x256 проти 128x128
    • 2048x2048 проти 1024x1024
    • 768x768 проти 256x256
  2. Яка роль моделі очисника SDXL?
    • Він кодує текстову підказку
    • Він додає дрібні деталі під час останніх кроків усунення шумів із низьким рівнем шуму
    • Він стискає зображення в латентний простір
    • Він генерує початковий випадковий шум
  3. Скільки кодувальників тексту використовує SDXL?
    • Один
    • три
    • Два
    • Нуль
  4. Яка основна ідея каскадної дифузії?
    • Навчання однієї гігантської моделі на всіх роздільних здатностях одночасно
    • Видалення кодувальника тексту для прискорення генерації
    • Заміна дифузії на GAN на кожному етапі
    • Поєднання базової моделі з дифузійними моделями з надвисокою роздільною здатністю, які поступово розширюються
  5. Чому SDXL усуває шум у прихованому просторі, а не безпосередньо на пікселях?
    • Це робить зменшення шуму обчислювальним дешевше
    • Приховані космічні зображення виглядають більш барвисто
    • Пікселі неможливо зменшити шум
    • Це дозволяє уникнути необхідності текстової підказки
  6. Який метод скорочує SDXL лише до одного-чотирьох кроків генерації?
    • Кондиціонування посівів
    • Методи дистиляції, такі як моделі SDXL Turbo та латентної консистенції
    • Додавання додаткових кодувальників тексту
    • Збільшення розміру VAE
  7. What do SDXL's size and crop conditioning inputs tell the model?
    • Which training dataset owns the prompt
    • The number of denoising steps to run
    • The target image size and framing or crop
    • The image's final file format and compression level
  8. What problem does noise-conditioning augmentation address in a cascaded diffusion pipeline?
    • Це усуває необхідність у текстовій підказці
    • It guarantees that every stage produces the same resolution
    • It converts the latent image into an audio signal
    • It helps later super-resolution stages handle errors or uncertainty in the previous stage's low-resolution image