لیٹنٹ ڈفیوژن ماڈلز کوئز

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

1. پکسل-اسپیس ڈفیوژن کے مقابلے میں اویکت بازی کے ماڈلز کی اہم اختراع کیا ہے؟
   • وہ پھیلاؤ کے عمل کو خام پکسلز کی بجائے ایک کمپریسڈ اویکت جگہ میں چلاتے ہیں۔
   • وہ کسی بھی اعصابی نیٹ ورک کی ضرورت کو ختم کرتے ہیں۔
   • وہ صرف سیاہ اور سفید تصاویر پر کام کرتے ہیں۔
   • انہیں بالکل بھی تربیتی ڈیٹا کی ضرورت نہیں ہے۔
2. In latent diffusion, what does the first-stage autoencoder do?
   • Predicts text tokens without processing images
   • Encodes an image into a latent representation and decodes latents back into images
   • Replaces the diffusion model at every denoising step
   • Classifies a prompt as safe or unsafe
3. اویکت پھیلاؤ میں متن کو عام طور پر denoising U-Net میں کیسے داخل کیا جاتا ہے؟
   • خام ٹیکسٹ سٹرنگ کو تصویر سے جوڑ کر
   • دستی طور پر پکسلز میں ترمیم کرکے
   • ٹیکسٹ ایمبیڈنگز کا استعمال کرتے ہوئے کراس اٹینشن لیئرز کے ذریعے
   • متن بالکل استعمال نہیں کیا جا سکتا
4. Why can denoising in a latent diffusion model reduce computation compared with pixel-space diffusion?
   • The model skips all image decoding
   • The diffusion network uses no neural layers
   • The model removes every denoising step
   • The denoiser operates on a smaller spatial latent grid, though decoding is still needed at the end
5. Which first-stage autoencoder regularization variants does the original latent diffusion paper investigate?
   • KL-regularized and vector-quantized autoencoders
   • Only a classifier-free guidance model
   • Only a causal language model
   • A decoder that has no learned parameters
6. ڈفیوژن ماڈل تربیت کے دوران کیا کرنا سیکھتا ہے؟
   • تصاویر کو زمروں میں درجہ بندی کرنے کے لیے
   • بتدریج شور مچانے کے عمل کو ریورس کرنا اور قدم بہ قدم انکار کرنا
   • متن کو آڈیو میں کمپریس کرنے کے لیے
   • زبانوں کا ترجمہ کرنا
7. In the paper’s f=8 autoencoder configuration, what does the downsampling factor describe?
   • The model uses eight separate text encoders
   • Every input is reduced to exactly eight pixels
   • Each spatial dimension of the latent grid is reduced by a factor of eight
   • The diffusion model performs eight total training updates
8. How does the latent diffusion paper inject spatial conditions such as semantic layouts into the denoiser?
   • It converts the layout into an English sentence only
   • It removes spatial coordinates before denoising
   • It uses the condition only after decoding to pixels
   • It concatenates the spatial condition with the latent representation along channels