引導式測驗 · 中等 等級
一致性模型測驗
了解一致性模型如何從擴散軌跡和邊界限制中學習一步或幾步產生。
問題 1 的 8
一致性模型解決了擴散模型的哪些核心問題?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- 一致性模型解決了擴散模型的哪些核心問題?
- 擴散採樣很慢,因為它需要很多迭代步驟
- 擴散無法生成彩色影像
- 擴散使用的內存太少
- 擴散僅適用於文字
- 這些模型經過訓練要滿足什麼「自我一致性」屬性?
- 每張圖片的顏色必須相同
- 雜訊到資料軌跡上的每個點都映射到相同的乾淨端點
- 此模型必須與人工貼標者一致
- 輸出必須等於輸入雜訊
- 一致性函數在零時刻必須滿足什麼邊界條件?
- 它必須輸出純噪聲
- 它必須輸出黑色影像
- 它必須充當身份(返回輸入不變)
- 它必須輸出數據集平均值
- 如何從現有的擴散模型建立一致性模型?
- 隨機刪除一半的圖層
- 透過將其轉換為決策樹
- 僅在文字資料上進行訓練
- 透過預訓練擴散模型的一致性蒸餾
- 什麼技術透過提供學習目標來穩定一致性訓練?
- 目標網路更新為指數移動平均線
- 隨機刪除損失函數
- 每一步將學習率加倍
- 僅使用一張訓練影像
- Latent Consistency Models 論文在高品質 768×768 圖像生成中報告了多少取樣步驟?
- 每種設定皆需數百步
- 兩到四個取樣步驟
- 恰好一次訓練週期
- 不進行取樣或模型評估
- 一致性模型提出了哪兩種訓練路徑?
- 僅有監督式影像分類
- 僅有使用判別器的對抗式訓練
- 從預訓練擴散模型進行一致性蒸餾,以及獨立的一致性訓練
- 詞元預測與遮蔽語言模型
- 一致性模型論文展示了哪些零樣本影像編輯任務?
- 語音分段與說話者驗證
- 機器翻譯與摘要
- 資料庫查詢規劃與程式碼補全
- 圖像修補、上色與超解析度