Тест, свързан с ръководство · Среден Ниво

VQGAN и Тест за синтез на изображение на кодова книга

Прегледайте жетоните на дискретната кодова книга на VQGAN, противопоставящите се и перцептивните загуби и как трансформаторите използват компактни мрежи за синтезиране на изображения с висока разделителна способност.

Свързани ръководни пътекиСинтез на изображения на Vqgan и кодова книга
Въпрос 1 на 8

Какво използва VQGAN, за да представи изображение като отделни токени?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво използва VQGAN, за да представи изображение като отделни токени?
    • Научена кодова книга от вектори, към които се прихващат изходите на енкодера
    • Списък с имена на файлове
    • Само необработени RGB пиксели
    • Едно число на изображение
  2. What did the original VQGAN paper report gaining from adversarial and perceptual training?
    • To guarantee every VQVAE reconstruction is blurry
    • To preserve perceptual quality at increased compression in the original paper’s evaluated settings
    • To eliminate the need for a learned codebook
    • To make all images use the same token grid regardless of dataset
  3. След като едно изображение е поредица от токени, какъв модел генерира нови изображения?
    • Електронна таблица
    • Калкулатор
    • Авторегресивен трансформатор, предсказващ токени като думи
    • Драйвер за принтер
  4. Каква техника позволява градиенти да преминават през недиференцируемата стъпка на квантуване?
    • Отпадане
    • Пакетно нормализиране
    • Случайно изрязване
    • Правият оценител
  5. Коя известна тенденция в изкуството на AI помогна VQGAN да създаде през 2021 г.?
    • VQGAN+CLIP генеративно изкуство
    • 3D печат
    • Гласово клониране
    • Автоматизация на електронни таблици
  6. Какво е известно предизвикателство с кодови книги в стил VQGAN?
    • Те не могат да съхраняват никакви вектори
    • Колапс на кодовата книга, където много кодове остават неизползвани
    • Те не изискват обучение
    • Те работят само на аудио
  7. Why does VQGAN use a compact latent token grid for high-resolution images?
    • It removes the need for an image decoder
    • It makes every codebook entry a full-resolution image
    • It shortens the transformer sequence so modeling image composition is more tractable
    • It converts the transformer into a pixel-level convolution
  8. Which loss does the VQGAN guide pair with adversarial training to improve reconstruction quality?
    • A language-model next-token loss
    • A contrastive audio-text loss
    • A reinforcement-learning reward from human rankings
    • Загуба на възприятие