Тест за латентно смесване и интерполация на изображения

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Когато предварително обучен генератор декодира интерполиран латентен код, какво представлява резултатът?
   • Генерирана междинна проба, специфична за модела, чието качество зависи от нейното латентно пространство
   • Гарантирана перфектна средна стойност на пикселите на двете изходни изображения
   • Копие на едно изображение на крайна точка без ново декодиране
   • Универсална семантична смес, която работи еднакво при различните генератори
2. Какъв визуален ефект може да се получи при осредняване на две несвързани изображения директно в пространството на пикселите?
   • Остра нова сцена
   • Прозрачен, призрачен вид с двойна експозиция
   • Перфектна трансформация
   • Изображение с по-висока разделителна способност
3. Какво може да направи сферичната интерполация в хартиения доклад на Sampling Generative Networks?
   • Гаранция, че всеки път следва колектора на данни
   • Направете всеки две несвързани изображения семантично съвместими
   • Помогнете да избегнете отклонение от предишното разпространение на модела и създайте по-отчетливи проби в неговите примери
   • Премахнете необходимостта от декодиране на междинни латентни кодове
4. Какви техники за визуализация на латентното пространство въвежда цитираната статия?
   • A system for synchronizing captions to music video
   • A method that estimates image-file metadata
   • A tool for converting latent vectors into spoken audio
   • J-Diagrams and MINE grids for visualizing manifolds from analogies and nearest neighbors
5. What does the 2021 latent-interpolation paper measure to compare a straight line with a shorter path?
   • Relative path-length improvement under the generator’s pull-back metric
   • The number of pixels shared by both endpoint images
   • The number of interpolation frames rendered per second
   • The text-prompt length of the decoded samples
6. What does the 2021 study say about latent-space geometry in deep generative models?
   • It is often model-dependent and may be non-Euclidean, so geometry should be evaluated
   • It is always a Euclidean space with identical geometry across models
   • It is always a hypersphere where slerp guarantees quality
   • It has no relation to the generator’s mapping
7. After interpolating two image latents, what step produces a visible in-between sample?
   • Sort the latent coordinates alphabetically
   • Replace the latent with a text caption only
   • Decode the intermediate latent with the generative model
   • Average the two images' file sizes
8. In a weighted latent blend, what does the interpolation coefficient control?
   • The number of training images in the dataset
   • The resolution of the decoder's output layer
   • Whether the model uses labels during pretraining
   • The relative contribution of the two endpoint latent codes