引导式测验 · 硬 等级

空文本反演测验

了解关键反演、空嵌入优化、冻结模型参数以及真实图像重建如何支持提示驱动的编辑。

相关引导路径空文本反转
问题 1 的 8

空文本反转实际上优化了什么？

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. 空文本反转实际上优化了什么？
    • 无分类器指导中使用的空（null）文本嵌入
    • 整个扩散U-Net的权重
    • 直接输入图像的像素
    • CLIP图像编码器
  2. 为什么普通 DDIM 反转在用于编辑时变得不可靠？
    • 它仅适用于合成图像
    • 无分类器引导放大了其重建漂移
    • 需要重新训练模型
    • 它无法在潜在空间中运行
  3. 在编辑之前反转真实图像的主要目标是什么？
    • 压缩图像以进行存储
    • 删除图像的元数据
    • 找到重新生成精确图像的噪声/潜在起点
    • 将其转换为灰度
  4. 空文本反转大致如何处理扩散过程中的优化？
    • 它优化了整个图像的单个共享嵌入
    • 它完全跳过优化
    • 它仅优化最终时间步长
    • 它为每个去噪时间步长优化单独的空嵌入
  5. 原始空文本反转的一个主要缺点是：
    • 每张图像优化，使其相对较慢
    • 无法使用文字提示
    • 仅适用于 8x8 缩略图
    • 与稳定扩散不相容
  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