Kvíz spojený s průvodcem · Těžko úroveň
Kvíz o generativních modelech založených na skóre
Funkce testovacího skóre, porovnávání skóre odšumování, Langevinovo vzorkování a zpětný pohled SDE na generování dat ze šumu.
Otázka 1 z 8
Co přesně je „skóre“, které se tyto modely učí?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co přesně je „skóre“, které se tyto modely učí?
- Gradient hustoty logaritmické pravděpodobnosti vzhledem ke vstupu
- Hodnocení kvality od 0 do 100 pro každý obrázek
- Počet dokončených tréninkových epoch
- Klasifikační štítek datového bodu
- Proč jsou modely založené na skóre trénovány na datech poškozených šumem na více úrovních?
- Aby obrázky vypadaly umělecky
- Protože skóre je těžké odhadnout, kde je čistých dat poskrovnu, a v těchto oblastech se vyplní šum
- Chcete-li snížit velikost souboru datové sady
- Protože hluk zrychluje GPU
- Jaký postup vzorkování používaly rané modely založené na skóre k generování dat?
- Sestup gradientu na pixelech směrem k pevnému cílovému obrazu
- Násobení jediné matice
- Langevinova dynamika — krokování podél partitury a přidávání šumu
- Náhodné oříznutí a převrácení
- Jaké hlavní spojení vytvořila studie o skóre 2021 a SDE?
- Že GAN jsou vždy lepší než difúze
- Že neuronové sítě neumí modelovat obrázky
- Tyto modely skóre fungují pouze ve dvou dimenzích
- Že modely difúze a modely založené na skóre jsou dva pohledy na stejný kontinuální proces SDE
- Jak souvisí předpovídání šumu s předpovídáním skóre při odšumování shody skóre?
- The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
- Noise prediction and score estimation are unrelated
- Předvídat hluk je nemožné
- U zašumovaných dat je skóre vždy nulové
- Co umožňuje deterministický 'pravděpodobnostní tok ODE', který čistě stochastické vzorkování není snadné poskytnout?
- Vyšší spotřeba GPU
- Přesný výpočet pravděpodobnosti a deterministická cesta vzorkování
- Automatické označování datových sad
- Odstranění potřeby jakékoli neuronové sítě
- In score-based generation, what does the reverse-time SDE do?
- It converts image labels into captions
- It adds noise to an already generated output only
- It transforms a prior noise distribution back toward the data distribution
- It estimates the class label of each pixel
- In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
- Use the prior alone and ignore measured k-space data
- Combine the learned score prior with the measurement constraint during posterior sampling
- Replace all measurements with random noise
- Treat the score as a diagnosis of the patient