Тест, свързан с ръководство · Среден Ниво

Muse Masked Generative Imaging Test

Прегледайте токенизирането на изображения на Muse, кондиционирането на замразения текст, паралелното маскирано декодиране, етапите на разрешаване, възможностите за редактиране и отчитането на параметри.

Свързани ръководни пътекиMuse Masked Generative Imaging
Въпрос 1 на 8

Какво прогнозира Muse по време на генериране вместо премахване на шума на пикселите?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво прогнозира Muse по време на генериране вместо премахване на шума на пикселите?
    • Необработени RGB пикселни стойности директно
    • Маскирани токени с дискретни изображения от VQGAN кодова книга
    • Векторни щрихи като програма за векторна графика
    • Карти на дълбочината, които по-късно се оцветяват
  2. What feature contributes to Muse's reported sampling efficiency relative to the evaluated sequential image-token baseline?
    • Generating only monochrome outputs
    • Removing all text-encoder computation
    • Guaranteeing completion of every image in a single pass
    • Predicting multiple masked image tokens in each decoding round
  3. How does original Muse condition image prediction on its text prompt?
    • With embeddings from a pretrained frozen T5-XXL encoder
    • With an untrained word-frequency table
    • By reading only the first character
    • By turning off text processing during inference
  4. Каква е ролята на базираното на доверие римаскиране в Muse?
    • Изтрива нискокачествени тренировъчни изображения
    • Той компресира крайния файл с изображение
    • Той поддържа уверени прогнози за токени и премаскира несигурните за следващия кръг
    • Той оценява бързото качество на потребителя
  5. How does Muse's two-stage token pipeline produce a higher-resolution image representation?
    • It enlarges the output only with a blur filter
    • It predicts all resolutions with no additional model
    • It discards the text condition before the second stage
    • A super-resolution token model uses the base representation to predict a higher-resolution token grid
  6. За какъв тип задача е естествено подходящ Muse, защото предвижда маскирани региони?
    • Аудио транскрипция
    • Inpainting и outpainting
    • Изчисление с електронна таблица
    • Само видео компресия
  7. After Muse predicts its image-token grid, which component reconstructs pixels?
    • The text prompt's keyboard input handler
    • An AIS transponder
    • The corresponding VQGAN tokenizer decoder
    • The training-caption file name
  8. Why does a quoted Muse image-model parameter count omit some parameters used by the full generation system?
    • The frozen T5-XXL text encoder is an additional component
    • Every frozen model has zero stored parameters
    • The model count measures only PNG file bytes
    • The text encoder becomes the image tokenizer at runtime