Kvíz spojený s průvodcem · Střední úroveň

Kvíz pro vylepšení řeči Noise2Noise

Projděte si předpoklady společnosti Noise2Noise ohledně párové korupce, její zdůvodnění podmíněné střední hodnoty a výzkumné demonstrace nad rámec vylepšení řeči.

Související vodicí cestyVylepšení řeči Noise2noise
Otázka 1 z 8

Jaké je překvapivé jádro tvrzení Noise2Noise?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaké je překvapivé jádro tvrzení Noise2Noise?
    • Můžete potlačit šum pomocí pouze poškozených příkladů, nejsou potřeba žádné čisté odkazy
    • Vždy musíte mít čistý zvuk
    • Šum nelze odstranit neuronovými sítěmi
    • Tímto způsobem lze odšumovat pouze řeč, nikoli obrazy
  2. Proč si síť nemůže jednoduše zapamatovat šum v cílovém klipu?
    • Hluk je příliš tichý na to, aby záležel
    • Šum je náhodný a nezávislý, takže je nepředvídatelný
    • Síť je příliš malá
    • Hluk má vždy stejnou hodnotu
  3. Pro trénink sečtěného čtvercového chyby, jaká podmíněná statistika minimalizuje očekávanou ztrátu?
    • The largest target value
    • The unconditional variance
    • The conditional mean of the target given the input
    • A randomly selected target frame
  4. Co musí být pravda o hluku přidaném k cíli, aby trik fungoval?
    • Musí to být hlasitější než řeč
    • Musí to být stejný šum jako na vstupu
    • Musí pocházet z nahrávacího studia
    • Musí být nulový a nezávislý na vstupním šumu
  5. Pro trénink absolutní chyby, která podmíněná statistika je minimalizována?
    • The conditional median of the target given the input
    • Rozptyl
    • Maximální
    • The sum of all pixels
  6. Které metody rozšířily Noise2Noise směrem k učení z jednotlivých zašuměných vzorků?
    • Word2Vec a BERT
    • Noise2Void a Noise2Self
    • Griffin-Lim a SoundStream
    • ResNet a 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