مسابقة النمو التدريجي لشبكات GAN

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. كيف يبدأ GAN الذي ينمو تدريجيًا التدريب؟
   • في القرار المستهدف الكامل على الفور
   • بدقة منخفضة جدًا مثل 4×4 بكسل
   • عن طريق التدريب المسبق فقط على التمييز
   • مع رسالة نصية
2. ما هي الفائدة الرئيسية من زيادة القرار تدريجيا؟
   • فهو يجعل التدريب أكثر استقرارًا وأسرع من التدريب بدقة عالية مباشرةً
   • يلغي الحاجة إلى مولد
   • إنه يلغي متطلبات مجموعة البيانات
   • ويضمن صفر التحف
3. عند إضافة طبقة جديدة ذات دقة أعلى، كيف يتم تقديمها؟
   • على الفور بكامل قوتها
   • فقط في التمييز، أبدا في المولد
   • يتلاشى بسلاسة مع وزن المزج (ألفا) الذي ينحدر من 0 إلى 1
   • من خلال إعادة تدريب الشبكة من الصفر
4. لماذا تتم إضافة طبقات إلى كل من المولد والمميز؟
   • لأن المولد وحده لا يستطيع إنتاج اللون
   • لتقليل حجم مجموعة البيانات
   • فقط لأغراض التصور
   • للحفاظ على الشبكتين متماثلتين ومتوازنتين مع زيادة الدقة
5. ما هو الغرض من طبقة الانحراف المعياري للدفعة الصغيرة المقدمة في ProGAN؟
   • لرفع مستوى الصورة النهائية
   • لضغط النموذج
   • لزيادة تباين الإخراج وتثبيط انهيار الوضع
   • لتسمية الصور التدريبية
6. ما التطور اللاحق الذي قلل من الحاجة إلى النمو التدريجي الواضح؟
   • اختراع التمييز
   • يُظهر StyleGAN2 بنية ثابتة مع اتصالات تخطي/متبقية يمكن أن تتطابق مع الجودة
   • التبديل إلى الصور ذات التدرج الرمادي
   • إزالة الناقل الكامن بالكامل
7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
   • Only the newly added block at full strength
   • An unrelated pretrained text encoder
   • A random photograph taken from the test set
   • The previous lower-resolution path after upsampling
8. What is the original ProGAN equalized-learning-rate method intended to balance?
   • The effective scale of learning across layers through dynamic weight scaling
   • The number of captions assigned to each face image
   • The timestamp of every generated training sample
   • The count of output file formats across batches