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.
Otázka 1 z 8
Co znamená „autoregresivní“ v kontextu generování obrazu?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- Které rané modely generovaly obrázky po jednotlivých pixelech?
- GAN a VAE
- Stabilní difúze a Imagen
- PixelRNN a PixelCNN
- CLIP a BLIP
- Jaký mechanismus zajišťuje, že se Transformer během autoregresního generování věnuje pouze dřívějším tokenům?
- Výpadek
- Dávková normalizace
- Přeskočit připojení
- Kauzální (maskovaná) sebepozornost
- 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
- 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
- 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
- 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