引导式测验 · 中等 等级
Imagen 文本转图像测验
回顾原始的 Imagen 文本调节、级联生成、动态阈值处理和超分辨率训练中的鲁棒性选择。
问题 1 的 8
在最初的 Imagen 研究的缩放比较中，哪项改动带来了更大的图像质量和文本对齐提升？
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。
- 在最初的 Imagen 研究的缩放比较中，哪项改动带来了更大的图像质量和文本对齐提升？
- 完全放弃语言编码器
- 增加预训练文本编码器的大小而不是扩散模型的大小
- 用最近邻图像查找代替扩散
- 将每个提示简化为一个单词
- Imagen 依赖哪种文本编码器？
- 卷积图像网络
- 一个小型 LSTM
- 手写的规则集
- 冻结的 T5-XXL 语言模型
- Imagen如何达到高分辨率？
- 具有超分辨率放大阶段的级联扩散
- 一代人的巨大进步
- 通过裁剪大照片
- 通过对两个图像进行插值
- 最初的 Imagen 的动态阈值处理在强引导下解决了什么问题？
- 编码器词汇中缺少文本标记
- 需要压缩最终的PNG文件
- 采样期间预测像素值的饱和度
- 每个对象都缺少训练标签
- 什么是 DrawBench？
- 绘图板
- 某GPU品牌
- 猫照片数据集
- 评估文本到图像模型的挑战性提示的基准
- 为什么 T5-XXL 编码器在 Imagen 中保持冻结状态？
- 坏了，无法训练
- 其富文本理解来自预训练传输，无需进一步调整
- 仅节省磁盘空间
- 因为文字无关紧要
- 原始 Imagen 的基础扩散模型在超分辨率阶段之前生成的分辨率是多少？
- 第一阶段 256 x 256 像素
- 直接 1024 x 1024 像素
- 64 x 64 像素
- 复制到最终图像的单个像素
- 为什么Imagen研究人员在超分辨率训练期间向低分辨率调理图像添加高斯噪声？
- 使上采样器对早期阶段的不完美输入更加鲁棒
- 从整个级联中删除文本调节
- 确保所有训练图像具有相同的标题
- 用确定性调整大小替换上采样器