Câu đố về mô hình khuếch tán video

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

1. Ý tưởng cơ bản đằng sau mô hình khuếch tán là gì?
   • Học cách đảo ngược quá trình dần dần thêm tiếng ồn, khử nhiễu từng bước
   • Sao chép khung hình từ video hiện có
   • Nén âm thanh thành hình ảnh
   • Mã hóa dữ liệu để bảo mật
2. For a video diffusion model, what does temporal modeling add to the denoising process?
   • It guarantees every object remains physically correct
   • It lets the model represent dependencies among frames over time
   • It removes the image decoder from the pipeline
   • It turns each video into one text token
3. Why does the cited Stable Video Diffusion model use a latent representation?
   • To avoid using any learned decoder
   • To store all frames as discrete text tokens
   • To perform video diffusion on compressed latents before decoding frames
   • To guarantee there will be no flicker
4. How did the Stable Video Diffusion paper adapt an image diffusion model for video?
   • It replaced every image layer with a speech recognizer
   • It trained only a language model on video captions
   • It removed the image model and used optical flow alone
   • It inserted temporal layers into a pretrained image model and fine-tuned them on video data
5. Kỹ thuật nào giúp mô hình phổ biến video tuân theo lời nhắc văn bản một cách mạnh mẽ?
   • Hướng dẫn không cần phân loại
   • Xáo trộn ngẫu nhiên các khung hình
   • Giảm độ phân giải
   • Xóa hoàn toàn lời nhắc
6. Tại sao các kỹ thuật như chưng cất và giải nhanh hơn lại được áp dụng cho việc khuếch tán video?
   • Để làm cho mô hình quên dữ liệu
   • Bởi vì việc lấy mẫu khử nhiễu nhiều bước diễn ra chậm và chúng làm giảm số bước
   • Để thêm tiếng ồn vĩnh viễn
   • Để tắt lời nhắc văn bản
7. In the Stable Video Diffusion paper, what distinguishes the SVD-XT model from the 14-frame SVD model?
   • It replaces diffusion with autoregressive text generation
   • It removes temporal layers and generates only a still image
   • SVD-XT is fine-tuned to generate 25 frames instead of 14
   • It uses audio tokens as the only conditioning input
8. What is one tradeoff when using fewer denoising steps through distillation or a faster solver?
   • Zero compute is required
   • The video no longer needs conditioning
   • Every result becomes temporally perfect
   • Faster generation may change fidelity or motion quality and must be evaluated