引导式测验 · 中等 等级
稳定扩散测验
使用 ControlNet 和潜在网格算法回顾原始 Stable Diffusion v1 的潜在管道、文本调节、指导和采样器选择。
问题 1 的 8
从较高的层面来看，扩散模型如何生成图像？
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。
- 从较高的层面来看，扩散模型如何生成图像？
- 它从随机噪声开始，反复去除噪声形成图像
- 它从训练集中复制最接近的匹配图像
- 它像人类一样一次一笔画出形状
- 它将网上找到的照片拼接在一起
- 原始 Stable Diffusion v1 流水线在何处执行其学习到的去噪工作？
- 仅在未更改的图像文件名中
- 仅在没有空间特征的单个标量中
- 不使用任何学习的神经模型
- 在自编码器的潜在表示中，而不是直接在全分辨率像素上
- 文本如何条件化文档中原始 Stable Diffusion v1 去噪器？
- 提示仅指定输出文件名
- 每个提示词必须逐字打印到每个输出中
- CLIP 文本嵌入通过交叉注意力提供条件化
- 模型忽略所有文本信息
- 分类器自由引导在文档采样公式中结合了什么？
- 两个不相关的图像文件名
- 条件和无条件去噪预测
- 仅红色和蓝色显示通道
- 保证每一次尺度提升都能提升质量
- 哪种说法准确描述了采样步数的变化？
- 每增加一步必须提升每个模型的图像质量
- 步数永远不会改变任何计算
- 单一步骤保证完美的图像保真度
- 质量和耗时取决于模型、采样器和设置；更多步骤并非普遍更好
- 原始的 Stable Diffusion 项目发布的模型工件带来了什么？
- 在规定的模型和许可条件下进行检查和支持扩展
- 在没有任何条件的情况下不受限制地使用每个模型
- 保证所有设备都能运行每个检查点
- 证明每一个可能的微调都是兼容的
- 引用的 ControlNet 方法为扩散生成提供了什么额外的输入类型？
- 仅最终输出文件名
- 诸如边缘、姿态或深度等空间条件
- 每个训练图像的强制性列表
- 仅加密密码
- 在文档记录的八倍空间下采样下，512 乘 512 的 v1 图像对应的潜在高度和宽度是多少？
- 512 by 512
- 128 by 128
- 64 by 64
- 8 by 8