Kvíz spojený s průvodcem · Střední úroveň

Autoregresivní kvíz generování obrázků

Zjistěte, jak autoregresivní obrazové modely kódují obrazy jako tokenové sekvence a generují je krok po kroku z textových výzev.

Související vodicí cestyAutoregresivní generování obrazu
Otázka 1 z 8

Co znamená „autoregresivní“ v kontextu generování obrazu?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co znamená „autoregresivní“ v kontextu generování obrazu?
    • Každý nový prvek je predikován na základě dříve vygenerovaných prvků
    • Každý nový prvek se předpovídá pouze pomocí textové výzvy
    • Celý obraz je najednou odšumovaný náhodným šumem
    • Pixely jsou generovány zcela nezávisle na sobě
  2. Jak moderní autoregresivní obrazové modely jako DALL-E 1 typicky reprezentují obraz předtím, než jej předpovídají?
    • Jako jeden spojitý vektor
    • Jako pevná mřížka diskrétních tokenů z naučené kódové knihy
    • Pouze jako nezpracované 24bitové RGB pixely
    • Jako seznam tvarů vektorové grafiky
  3. Které rané modely generovaly obrázky po jednotlivých pixelech?
    • GAN a VAE
    • Stabilní difúze a Imagen
    • PixelRNN a PixelCNN
    • CLIP a BLIP
  4. Jaký mechanismus zajišťuje, že se Transformer během autoregresního generování věnuje pouze dřívějším tokenům?
    • Výpadek
    • Dávková normalizace
    • Přeskočit připojení
    • Kauzální (maskovaná) sebepozornost
  5. Jaká je hlavní praktická nevýhoda autoregresního vzorkování obrazu?
    • Vzorkování je sekvenční, a proto pomalé
    • Nelze to podmiňovat textem
    • Neumí modelovat jemné detaily
    • Nevyžaduje žádná tréninková data
  6. Která technika urychluje generování obrázků na základě tokenů předpovídáním mnoha tokenů paralelně?
    • Učitel nucení
    • Maskované paralelní dekódování (např. MaskGIT/Muse)
    • Oříznutí přechodu
    • One-hot kódování
  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