Câu đố đảo ngược văn bản rỗng

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

1. Đảo ngược văn bản null thực sự tối ưu hóa điều gì?
   • Việc nhúng văn bản trống (null) được sử dụng trong hướng dẫn không có bộ phân loại
   • Trọng lượng của toàn bộ khuếch tán U-Net
   • Các pixel của hình ảnh đầu vào trực tiếp
   • Bộ mã hóa hình ảnh CLIP
2. Tại sao tính năng đảo ngược DDIM đơn giản trở nên không đáng tin cậy khi được sử dụng để chỉnh sửa?
   • Nó chỉ hoạt động trên hình ảnh tổng hợp
   • Hướng dẫn không có bộ phân loại khuếch đại sự trôi dạt tái thiết của nó
   • Nó đòi hỏi phải đào tạo lại mô hình
   • Nó không thể chạy trong không gian tiềm ẩn
3. Mục đích chính của việc đảo ngược hình ảnh thật trước khi chỉnh sửa là gì?
   • Để nén hình ảnh để lưu trữ
   • Để xóa siêu dữ liệu của hình ảnh
   • Để tìm điểm bắt đầu nhiễu/tiềm ẩn để tái tạo hình ảnh chính xác đó
   • Để chuyển đổi nó sang thang độ xám
4. Đại khái đảo ngược văn bản null xử lý việc tối ưu hóa trong quá trình khuếch tán như thế nào?
   • Nó tối ưu hóa một lần nhúng chia sẻ duy nhất cho toàn bộ hình ảnh
   • Nó bỏ qua tối ưu hóa hoàn toàn
   • Nó chỉ tối ưu hóa dấu thời gian cuối cùng
   • Nó tối ưu hóa việc nhúng null riêng biệt cho mỗi dấu thời gian khử nhiễu
5. Nhược điểm chính của việc đảo ngược văn bản rỗng ban đầu là:
   • Tối ưu hóa trên mỗi hình ảnh, làm cho nó tương đối chậm
   • Không thể sử dụng lời nhắc văn bản
   • Chỉ sử dụng được trên hình thu nhỏ 8x8
   • Không tương thích với Khuếch tán ổn định
6. What does Prompt-to-Prompt use to control edits while retaining parts of an image layout?
   • A trainable 3D Gaussian representation
   • Cross-attention maps associated with prompt tokens
   • A classifier that labels every pixel as a new object
   • A new text encoder trained for each edited image
7. What role does pivotal inversion play in null-text inversion?
   • It replaces the diffusion model with a newly trained classifier
   • It deletes the input image before reconstruction
   • It provides a per-timestep noise trajectory that anchors later optimization
   • It selects a new text prompt without using the image
8. During null-text optimization, which components does the method keep fixed?
   • Only the input image dimensions
   • The model weights and every unconditional embedding at initialization
   • The image caption and all diffusion timesteps
   • The pretrained model weights and the conditional text embedding