Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra lấy mẫu DDPM và DDIM

So sánh lấy mẫu ngược DDPM và DDIM, bao gồm đào tạo chung, kiểm soát tính ngẫu nhiên, bỏ qua dấu thời gian và ước tính hình ảnh sạch.

Đường dẫn hướng dẫn liên quanBộ lấy mẫu Ddpm và Ddim
Câu hỏi 1 của 8

Ưu điểm thực tế chính của DDIM so với DDPM là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Ưu điểm thực tế chính của DDIM so với DDPM là gì?
    • Nó có thể tạo ra hình ảnh tương đương với ít bước lấy mẫu hơn
    • Nó đòi hỏi một mạng lưới được đào tạo hoàn toàn khác
    • Nó thêm nhiều tiếng ồn ngẫu nhiên hơn ở mỗi bước để có chất lượng tốt hơn
    • Nó chỉ hoạt động trên hình ảnh đen trắng
  2. Mạng lưới thần kinh của mô hình khuếch tán thực sự học được gì để dự đoán trong quá trình đào tạo?
    • Chú thích cuối cùng cho hình ảnh
    • Tiếng ồn được thêm vào hình ảnh tại một dấu thời gian nhất định
    • Tỷ lệ nén của hình ảnh
    • Cài đặt máy ảnh được sử dụng để chụp ảnh
  3. Tại sao DDIM có thể tạo ra cùng một hình ảnh từ cùng một tiếng ồn ban đầu mỗi lần?
    • Bởi vì nó lưu trữ hình ảnh được tạo trước đó
    • Bởi vì nó luôn sử dụng một dấu nhắc cố định
    • Bởi vì quá trình lấy mẫu của nó mang tính quyết định và không có sự ngẫu nhiên được đưa vào
    • Bởi vì nó tính trung bình nhiều lần chạy ngẫu nhiên cùng nhau
  4. Trong DDIM, giá trị nào của tham số eta khôi phục hành vi DDPM ngẫu nhiên ban đầu?
    • eta = 0
    • eta = -1
    • eta = 100
    • eta = 1
  5. DDPM ban đầu thường cần bao nhiêu bước để có được mẫu chất lượng cao?
    • Hàng trăm đến khoảng một nghìn bước
    • Đúng 3 bước
    • Một bước duy nhất
    • Hơn một triệu bước
  6. Điều nào sau đây là ước tính số lượng DDIM trung gian quan trọng trước khi tiếp tục?
    • Kích thước tập tin đầu ra
    • Hình ảnh sạch được dự đoán x0
    • Độ dài nhúng lời nhắc của người dùng
    • Nhiệt độ GPU
  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