Тест, свързан с ръководство · Среден Ниво

Noise2Noise Тест за подобряване на речта

Прегледайте предположенията за сдвоена корупция на Noise2Noise, неговата условно-средна обосновка и изследователски демонстрации извън подобряването на речта.

Свързани ръководни пътекиNoise2noise Подобряване на речта
Въпрос 1 на 8

Какво е изненадващото основно твърдение на Noise2Noise?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво е изненадващото основно твърдение на Noise2Noise?
    • Можете да премахнете шума, като използвате само повредени примери, не са необходими чисти препратки
    • Винаги трябва да разполагате с чисто и истинско аудио
    • Шумът не може да бъде премахнат от невронни мрежи
    • Само речта, никога изображенията, може да бъде премахната по този начин
  2. Защо мрежата просто не може да запомни шума в целевия клип?
    • Шумът е твърде тих, за да има значение
    • Шумът е случаен и независим, така че е непредсказуем
    • Мрежата е твърде малка
    • Шумът винаги е с еднаква стойност
  3. For squared-error training, what conditional statistic minimizes expected loss?
    • The largest target value
    • The unconditional variance
    • The conditional mean of the target given the input
    • A randomly selected target frame
  4. Какво трябва да е вярно за шума, добавен към целта, за да проработи трикът?
    • Трябва да е по-силно от речта
    • Трябва да е същият шум като входа
    • Трябва да идва от звукозаписно студио
    • Трябва да е нулева средна стойност и да не зависи от шума на входа
  5. For absolute-error training, which conditional statistic is minimized?
    • The conditional median of the target given the input
    • Дисперсията
    • Максимумът
    • The sum of all pixels
  6. Кои методи разшириха Noise2Noise към обучение от единични шумни проби?
    • Word2Vec и BERT
    • Noise2Void и Noise2Self
    • Griffin-Lim и SoundStream
    • ResNet и VGG
  7. Which non-photographic reconstruction task did the Noise2Noise paper demonstrate?
    • Satellite orbit prediction
    • Particle-track reconstruction
    • Reconstruction of undersampled MRI scans
    • Speech translation
  8. Which condition can undermine Noise2Noise’s clean-target argument?
    • The model uses a convolutional layer
    • The input and target have different file names
    • The clean signal contains edges
    • The target corruption is predictably biased given the input corruption