引导式测验 · 中等等级

文本倒置测验

了解文本反演如何使用在预训练模型中学习的小型令牌嵌入来表示用户提供的视觉概念。

原始文本反演论文个性化了哪些类型的概念？

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。

原始文本反演论文个性化了哪些类型的概念？
- 用户提供的对象或视觉风格
- 仅数据库模式
- 仅语音转录
- 仅相机标定参数
文本反转通常需要大约多少个示例图像？
- 仅单个图像
- 大约3到5张图片
- 数千张图像
- 根本没有图像
为什么文本反转文件如此小（通常只有几千字节）？
- 他们压缩整个模型
- 它们只是文字提示
- 他们只存储一个学习向量
- 他们引用了在线数据库
在文本倒置训练期间什么保持不变？
- 示例图像
- 新的伪词
- 文字提示格式
- 模型的所有现有权重
文本倒置后如何使用学到的概念？
- 在提示中输入新的伪词
- 每次重新训练模型
- 重新上传照片
- 编辑模型的源代码
使用哪个损失来优化新的嵌入？
- 分类精度损失
- 示例图像上的扩散去噪损失
- 语音识别损失
- 无损失；这是手动调整
文本反演在生成时如何使用学习到的令牌？
- 它替换图像解码器
- 它直接编辑生成的图像而不进行采样
- 它将令牌插入文本提示中，使冻结的文本到图像模型能够基于它进行条件生成
- 它为每个用户更改模型的分词器词汇表
仅从少量示例图像学习的概念的主要局限性是什么？
- 它总是提高模型的图像分辨率
- 它自动学习每个视角和照明条件
- 它均等地改变所有现有模型概念
- 它可能捕捉到那些示例的偶发特征并且泛化不完善