Вікторина, пов’язана з посібником · Середній Рівень

Тест про розповсюдження стабільного відео

Зрозумійте контрольні точки зображення-відео Stable Video Diffusion, часові шари, поетапне навчання та обмеження ліцензії моделі.

Пов'язані напрямні шляхиСтабільне розповсюдження відео
Питання 1 з 8

What input does a public Stable Video Diffusion image-to-video checkpoint use?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. What input does a public Stable Video Diffusion image-to-video checkpoint use?
    • Одне нерухоме зображення
    • Файл 3D-сітки
    • Лише повний текстовий сценарій
    • Запис з мікрофона
  2. Що SVD додав до архітектури стабільної дифузії нерухомого зображення для обробки руху?
    • Більша палітра кольорів
    • Тимчасові шари, що з’єднують кадри в часі
    • Модулі синтезу звуку
    • Перевірка орфографії для підписів
  3. Stable Video Diffusion виконує шумопоглинання в якому просторі, щоб заощадити обчислення?
    • Необроблений піксельний простір повної роздільної здатності
    • Лише частотна область
    • Стислий латентний простір
    • Простір текстових маркерів
  4. What was significant about SVD’s research release?
    • It removed all license conditions
    • It was accessible only as a closed cloud API
    • It released audio weights but no video model
    • It made code and model weights available for research and adaptation under their license terms
  5. Приблизно скільки кадрів зазвичай генерують загальнодоступні контрольні точки SVD?
    • Приблизно від 14 до 25 кадрів
    • Рівно 1 кадр
    • Кілька тисяч кадрів
    • Необмежений безперервний потік
  6. Який навчальний підхід застосовував Stability AI для SVD?
    • Одноразове тренування на випадкових кліпах
    • Поетапний рецепт: підготовка зображення, підготовка відео, потім якісна тонка настройка
    • Тренування лише на нерухомих зображеннях
    • Без попередньої підготовки взагалі
  7. What downstream video adaptation does the SVD paper discuss using LoRA?
    • Speaker-identity adaptation for audio
    • Automatic SQL generation
    • Camera-motion-specific adaptation
    • Dependency-label prediction
  8. What additional visual-generation capability did the SVD paper explore from its base model?
    • Generating a dependency parse for every frame
    • Separating a song into instrument stems
    • Estimating speech intelligibility
    • Fine-tuning a model to jointly generate multiple views of objects