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.
Otázka 1 z 8
Jaké je překvapivé jádro tvrzení Noise2Noise?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- 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
- 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
- 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
- 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
- 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
- Které metody rozšířily Noise2Noise směrem k učení z jednotlivých zašuměných vzorků?
- Word2Vec a BERT
- Noise2Void a Noise2Self
- Griffin-Lim a SoundStream
- ResNet a VGG
- Which non-photographic reconstruction task did the Noise2Noise paper demonstrate?
- Satellite orbit prediction
- Particle-track reconstruction
- Reconstruction of undersampled MRI scans
- Speech translation
- 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