Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Bài kiểm tra chỉnh sửa chú ý chéo nhắc nhở

Khám phá cách các chỉnh sửa Nhắc để nhắc đã tạo ra hình ảnh thông qua kiểm soát sự chú ý chéo, trộn cục bộ và đảo ngược cho ảnh thật.

Đường dẫn hướng dẫn liên quanNhắc nhở chỉnh sửa chú ý chéo
Câu hỏi 1 của 8

Tính năng Nhắc để nhắc tái sử dụng thông tin nội bộ nào để giữ nguyên cảnh?

Xem trước mọi câu hỏi8 câu hỏi

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

  1. Tính năng Nhắc để nhắc tái sử dụng thông tin nội bộ nào để giữ nguyên cảnh?
    • Bản đồ chú ý chéo liên kết các từ với các vùng hình ảnh
    • Pixel đầu ra cuối cùng
    • Trạng thái tối ưu hóa của mô hình
    • Siêu dữ liệu nén của hình ảnh
  2. Tính năng Nhắc để nhắc có yêu cầu tinh chỉnh mô hình không?
    • Có, đào tạo lại đầy đủ cho mỗi lần chỉnh sửa
    • Không, đó là một kỹ thuật không cần đào tạo
    • Có, nhưng chỉ bộ mã hóa văn bản
    • Chỉ để thêm từ mới
  3. Để đổi 'xe đạp' lấy 'xe máy' trong khi vẫn giữ nguyên cảnh, phương pháp:
    • Che khu vực xe đạp bằng tay
    • Huấn luyện LoRA mới cho xe máy
    • Ánh xạ sự chú ý giữa các mã thông báo tương ứng qua hai lời nhắc
    • Tạo ra một hình ảnh hoàn toàn độc lập
  4. Việc cân nhắc lại sự chú ý của mã thông báo có tác dụng gì?
    • Nó thay đổi độ phân giải hình ảnh
    • Nó xóa hoàn toàn mã thông báo
    • Nó sắp xếp lại các từ trong dấu nhắc
    • Nó tăng cường hoặc làm suy yếu ảnh hưởng trực quan của từ đó
  5. Khi bạn thêm một từ vào lời nhắc, Nhắc tới lời nhắc:
    • Duy trì sự chú ý đối với các mã thông báo không thay đổi và chỉ cho phép mã thông báo mới tạo được sự chú ý mới
    • Sắp xếp lại toàn bộ hình ảnh một cách ngẫu nhiên
    • Bỏ qua từ được thêm vào
    • Chuyển sang một mô hình cơ sở khác
  6. Which separate model was trained to follow written image-editing instructions from an input image?
    • InstructPix2Pix, a conditional diffusion editor trained on generated instruction-edit pairs
    • Prompt-to-Prompt, which edits by controlling cross-attention maps during denoising
    • Null-text inversion, which optimizes unconditional embeddings for image inversion
    • LocalBlend, which creates a selected-token mask from attention maps
  7. What does the Prompt-to-Prompt LocalBlend feature use to localize a change?
    • A hand-drawn mask required for every Prompt-to-Prompt edit
    • The EXIF metadata of the original image
    • Attention maps for selected prompt words to construct a spatial mask
    • A classifier that identifies image copyright
  8. What extra step can enable Prompt-to-Prompt editing of a real photograph?
    • Train a new diffusion model from scratch
    • Convert the photograph into an audio spectrogram
    • Replace every cross-attention layer with a classifier
    • Invert the image into the diffusion model’s latent trajectory first