Quiz zu bewertungsbasierten generativen Modellen

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

1. Was genau ist der „Score“, den diese Modelle lernen?
   • Der Gradient der Log-Wahrscheinlichkeitsdichte in Bezug auf die Eingabe
   • Eine Qualitätsbewertung von 0 bis 100 für jedes Bild
   • Die Anzahl der abgeschlossenen Trainingsepochen
   • Die Klassifizierungsbezeichnung des Datenpunkts
2. Warum werden punktebasierte Modelle auf Daten trainiert, die auf mehreren Skalen durch Rauschen verfälscht sind?
   • Damit die Bilder künstlerisch wirken
   • Weil die Bewertung dort schwer abzuschätzen ist, wo saubere Daten spärlich sind und Rauschen diese Bereiche füllt
   • Um die Dateigröße des Datensatzes zu reduzieren
   • Weil Rauschen die GPU beschleunigt
3. Welches Stichprobenverfahren nutzten frühe Score-basierte Modelle zur Datengenerierung?
   • Gradientenabfall auf den Pixeln hin zu einem festen Zielbild
   • Eine einzelne Matrixmultiplikation
   • Langevin-Dynamik – Schritt für Schritt durch die Partitur und gleichzeitiges Hinzufügen von Rauschen
   • Zufälliges Zuschneiden und Spiegeln
4. Welchen wichtigen Zusammenhang stellte das Score-SDE-Papier 2021 her?
   • Dass GANs immer besser sind als Diffusion
   • Dass neuronale Netze keine Bilder modellieren können
   • Diese Score-Modelle funktionieren nur in zwei Dimensionen
   • Dass Diffusionsmodelle und punktebasierte Modelle zwei Ansichten desselben kontinuierlichen SDE-Prozesses sind
5. Wie hängt die Vorhersage von Rauschen mit der Vorhersage der Punktzahl beim Denoising-Score-Matching zusammen?
   • 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
   • Es ist unmöglich, Lärm vorherzusagen
   • Für verrauschte Daten beträgt die Punktzahl immer Null
6. Was ermöglicht die deterministische „Wahrscheinlichkeitsfluss-ODE“, was eine reine stochastische Stichprobe nicht einfach liefern kann?
   • Höherer GPU-Stromverbrauch
   • Exakte Wahrscheinlichkeitsberechnung und ein deterministischer Stichprobenpfad
   • Automatische Datensatzkennzeichnung
   • Keine Notwendigkeit für ein neuronales Netzwerk
7. 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
8. 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