引导式测验 · 中等 等级

DDPM 和 DDIM 采样器测验

比较 DDPM 和 DDIM 逆向采样，包括共享训练、随机性控制、时间步跳跃和干净图像估计。

相关引导路径Ddpm 和 Ddim 采样器
问题 1 的 8

DDIM 相对于 DDPM 的主要实际优势是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. DDIM 相对于 DDPM 的主要实际优势是什么？
    • 它可以用更少的采样步骤生成类似的图像
    • 它需要一个完全不同的训练网络
    • 它在每一步添加更多随机噪声以获得更好的质量
    • 它仅适用于黑白图像
  2. 扩散模型的神经网络在训练过程中实际上学会预测什么？
    • 图像的最终标题
    • 在给定时间步长添加到图像中的噪声
    • 图像的压缩比
    • 用于拍照的相机设置
  3. 为什么 DDIM 每次都能从相同的起始噪声生成完全相同的图像？
    • 因为它缓存了之前生成的图像
    • 因为它总是使用固定的提示符
    • 因为它的采样过程是确定性的，没有注入随机性
    • 因为它对许多随机运行进行平均
  4. 在 DDIM 中，参数 eta 的什么值可以恢复原始的随机 DDPM 行为？
    • 预计时间 = 0
    • 预计时间=-1
    • 预计时间 = 100
    • 埃塔 = 1
  5. 原始 DDPM 通常需要多少步才能获得高质量样本？
    • 数百至数千步
    • 正好 3 个步骤
    • 一步到位
    • 超过一百万步
  6. 其中哪一个是 DDIM 在采取行动之前估计的关键中间数量？
    • 输出的文件大小
    • 预测的干净图像 x0
    • 用户提示嵌入长度
    • GPU温度
  7. 当使用通过 DDPM 流程训练的模型时，DDIM 相比 DDPM 有什么改变？
    • 它将网络替换为一个文本分类器
    • 它将训练数据从图像更改为音频
    • 它在重用已训练的去噪网络的同时改变了采样轨迹
    • 它消除了估计噪声的需要
  8. 为什么 DDIM 在采样过程中可以跳过选定的扩散时间步？
    • 训练过程从未添加噪声
    • 每个被跳过的时间步都被一张更大的图像所取代
    • 它从缓存中复制了一张之前生成的图像
    • 其非马尔可夫采样路径可以在不经过每个训练步骤的情况下连接噪声水平