Тест, свързан с ръководство · Среден Ниво

Тест за генериране на авторегресивно изображение

Научете как авторегресивните модели на изображения кодират изображения като последователности от символи и ги генерират стъпка по стъпка от текстови подкани.

Свързани ръководни пътекиАвторегресивно генериране на изображения
Въпрос 1 на 8

Какво означава „авторегресия“ в контекста на генерирането на изображения?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво означава „авторегресия“ в контекста на генерирането на изображения?
    • Всеки нов елемент се предвижда в зависимост от предварително генерирани елементи
    • Всеки нов елемент се предвижда, като се използва само текстовата подкана
    • Цялото изображение се обезшумява наведнъж от случаен шум
    • Пикселите се генерират напълно независимо един от друг
  2. Как съвременните авторегресивни модели на изображения като DALL-E 1 обикновено представят изображение, преди да го предскажат?
    • Като един непрекъснат вектор
    • Като фиксирана мрежа от отделни токени от научена кодова книга
    • Само като необработени 24-битови RGB пиксели
    • Като списък с форми на векторна графика
  3. Кои ранни модели генерираха изображения един необработен пиксел наведнъж?
    • GAN и VAE
    • Стабилна дифузия и изображение
    • PixelRNN и PixelCNN
    • CLIP и BLIP
  4. Какъв механизъм гарантира, че Transformer обръща внимание само на по-ранни токени по време на авторегресивно генериране?
    • Отпадане
    • Пакетно нормализиране
    • Пропускане на връзки
    • Причинно (маскирано) самовнимание
  5. Какъв е основният практически недостатък на авторегресивното вземане на проби от изображения?
    • Вземането на проби е последователно и следователно бавно
    • Не може да се обуславя от текст
    • Не може да моделира фини детайли
    • Не изисква данни за обучение
  6. Коя техника ускорява генерирането на изображения, базирани на токени, като предвижда паралелно много токени?
    • Принуждаване на учителя
    • Маскирано паралелно декодиране (напр. MaskGIT/Muse)
    • Градиентно изрязване
    • Едно горещо кодиране
  7. How does the original DALL·E model use text and image tokens?
    • Separate unconnected classifiers process text and pixels
    • A diffusion decoder predicts all pixels simultaneously
    • A single autoregressive Transformer models the sequence conditioned on text and image tokens
    • The model uses only a text encoder and no image-token sequence
  8. What scale of image-text pairs did the original DALL·E paper report collecting?
    • About 250 pairs
    • About 25 thousand pairs
    • About 25 billion pairs
    • About 250 million image-text pairs