Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur autoregressiven Bilderzeugung

Erfahren Sie, wie autoregressive Bildmodelle Bilder als Token-Sequenzen kodieren und sie Schritt für Schritt aus Textaufforderungen generieren.

Verwandte FührungspfadeAutoregressive Bilderzeugung
Frage 1 von 8

Was bedeutet „autoregressiv“ im Zusammenhang mit der Bilderzeugung?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was bedeutet „autoregressiv“ im Zusammenhang mit der Bilderzeugung?
    • Jedes neue Element wird abhängig von zuvor generierten Elementen vorhergesagt
    • Jedes neue Element wird nur mithilfe der Texteingabe vorhergesagt
    • Das gesamte Bild wird auf einmal von zufälligem Rauschen befreit
    • Pixel werden völlig unabhängig voneinander generiert
  2. Wie stellen moderne autoregressive Bildmodelle wie DALL-E 1 normalerweise ein Bild dar, bevor sie es vorhersagen?
    • Als einzelner kontinuierlicher Vektor
    • Als festes Raster diskreter Token aus einem erlernten Codebuch
    • Nur als rohe 24-Bit-RGB-Pixel
    • Als Liste von Vektorgrafikformen
  3. Welche frühen Modelle erzeugten Bilder jeweils ein Rohpixel?
    • GANs und VAEs
    • Stabile Diffusion und Bildgebung
    • PixelRNN und PixelCNN
    • CLIP und BLIP
  4. Welcher Mechanismus stellt sicher, dass ein Transformer während der autoregressiven Generierung nur frühere Token berücksichtigt?
    • Aussteiger
    • Batch-Normalisierung
    • Verbindungen überspringen
    • Kausale (maskierte) Selbstaufmerksamkeit
  5. Was ist der größte praktische Nachteil der autoregressiven Bildabtastung?
    • Die Probenahme erfolgt sequenziell und daher langsam
    • Es kann nicht vom Text abhängig gemacht werden
    • Es kann keine feinen Details modellieren
    • Es sind keine Trainingsdaten erforderlich
  6. Welche Technik beschleunigt die tokenbasierte Bildgenerierung durch die parallele Vorhersage vieler Token?
    • Lehrer zwingen
    • Maskierte parallele Dekodierung (z. B. MaskGIT/Muse)
    • Farbverlaufsausschnitt
    • One-Hot-Kodierung
  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