ٹیون-اے-ویڈیو ون شاٹ ایڈیٹنگ کوئز

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

1. ٹیون-اے-ویڈیو کو ویڈیو کے لیے ڈھالنے سے پہلے کس بیس ماڈل سے شروع ہوتا ہے؟
   • ایک پہلے سے تربیت یافتہ ٹیکسٹ ٹو امیج ڈفیوژن ماڈل جیسا کہ سٹیبل ڈفیوژن
   • زبان کا ایک بڑا ماڈل
   • لاکھوں کلپس پر شروع سے تربیت یافتہ ویڈیو ماڈل
   • GAN پر مبنی امیج جنریٹر
2. ٹیون-اے-ویڈیو میں 'ون شاٹ' سے کیا مراد ہے؟
   • ایک واحد denoising قدم میں پیدا کرنا
   • صرف ایک سورس ویڈیو پر ٹیوننگ
   • پورے ڈیٹاسیٹ کے لیے ایک پرامپٹ استعمال کرنا
   • ایک واحد GPU پر چل رہا ہے۔
3. How does Tune-A-Video’s sparse causal attention connect video frames?
   • Frames are generated fully independently
   • Every frame is averaged into one image
   • Each frame can attend to the first frame and the preceding frame
   • Attention is disabled across all frames
4. What does DDIM inversion provide before Tune-A-Video samples an edit?
   • A compressed audio track
   • A new video caption
   • A camera calibration file
   • A source-conditioned latent that guides generation from the input video
5. ٹیوننگ کے دوران، ٹیون-اے-ویڈیو بنیادی طور پر موثر رہنے کے لیے کیا اپ ڈیٹ کرتا ہے؟
   • توجہ/ وقتی پیرامیٹرز کا ایک چھوٹا سیٹ
   • مکمل ماڈل میں ہر وزن
   • صرف ٹیکسٹ انکوڈر الفاظ
   • صرف تصویری ڈیکوڈر
6. What limitation motivated later tuning-free video-editing methods?
   • It can only edit audio
   • Tune-A-Video requires per-video tuning before editing a new clip
   • It supports no text prompt
   • It was trained only on black-and-white images
7. Which editing capability did the Tune-A-Video paper demonstrate?
   • Automatic speech-quality scoring
   • 3D camera-pose recovery from photos
   • Text-guided style transfer on a source video
   • Instrument-stem separation
8. Which content change can Tune-A-Video apply to a source clip using text?
   • Measuring packet latency
   • Estimating pitch from a monophonic signal
   • Recovering 3D scene geometry from uncalibrated photos
   • Changing a subject or background while trying to retain source motion