DDPM اور DDIM سیمپلرز کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. DDPM پر DDIM کا بنیادی عملی فائدہ کیا ہے؟
   • یہ بہت کم نمونے لینے کے مراحل میں تقابلی تصاویر تیار کر سکتا ہے۔
   • اس کے لیے بالکل مختلف تربیت یافتہ نیٹ ورک کی ضرورت ہے۔
   • یہ بہتر معیار کے لیے ہر قدم پر مزید بے ترتیب شور کا اضافہ کرتا ہے۔
   • یہ صرف سیاہ اور سفید تصاویر پر کام کرتا ہے۔
2. ایک ڈفیوژن ماڈل کا نیورل نیٹ ورک اصل میں تربیت کے دوران پیشین گوئی کرنا کیا سیکھتا ہے؟
   • تصویر کے لیے آخری کیپشن
   • وہ شور جو کسی مخصوص ٹائم سٹیپ پر تصویر میں شامل کیا گیا تھا۔
   • تصویر کا کمپریشن تناسب
   • تصویر لینے کے لیے استعمال ہونے والی کیمرے کی ترتیبات
3. ڈی ڈی آئی ایم ہر بار ایک ہی شروع ہونے والے شور سے بالکل وہی تصویر کیوں بنا سکتا ہے؟
   • کیونکہ یہ پہلے سے تیار کردہ تصاویر کو محفوظ کرتا ہے۔
   • کیونکہ یہ ہمیشہ ایک فکسڈ پرامپٹ استعمال کرتا ہے۔
   • کیونکہ اس کے نمونے لینے کا عمل تعییناتی ہے بغیر کسی انجیکشن کی بے ترتیبی کے
   • کیونکہ یہ ایک ساتھ کئی بے ترتیب رنز کا اوسط بناتا ہے۔
4. ڈی ڈی آئی ایم میں، پیرامیٹر ایٹا کی کون سی قدر اصل اسٹاکسٹک ڈی ڈی پی ایم رویے کو بحال کرتی ہے؟
   • eta = 0
   • eta = -1
   • eta = 100
   • ایٹا = 1
5. اصل DDPM کو عام طور پر اعلیٰ معیار کے نمونوں کے لیے کتنے مراحل کی ضرورت تھی؟
   • سیکڑوں سے ایک ہزار کے قریب قدم
   • بالکل 3 قدم
   • ایک قدم
   • ایک ملین سے زیادہ قدم
6. آگے بڑھنے سے پہلے ان میں سے کون سی اہم درمیانی مقدار DDIM کا تخمینہ ہے؟
   • آؤٹ پٹ کی فائل کا سائز
   • پیش گوئی کی گئی صاف تصویر x0
   • صارف کی پرامپٹ سرایت کی لمبائی
   • GPU درجہ حرارت
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