Prueba de combinación latente e interpolación de imágenes

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. Cuando un generador preentrenado decodifica un código latente interpolado, ¿qué representa el resultado?
   • A model-specific generated intermediate sample whose quality depends on its latent space
   • A guaranteed pixel-perfect average of the two source images
   • A copy of one endpoint image with no new decoding
   • A universal semantic blend that works identically across generators
2. Al promediar directamente dos imágenes sin relación en el espacio de píxeles, ¿qué efecto visual puede resultar?
   • Una nueva escena nítida
   • Una mirada transparente y fantasmal de doble exposición.
   • Una morfología perfecta
   • Una imagen de mayor resolución
3. ¿Qué informa el artículo Sampling Generative Networks que puede hacer la interpolación esférica?
   • Guarantee that every path follows the data manifold
   • Make any two unrelated images semantically compatible
   • Help avoid diverging from the model’s prior distribution and produce sharper samples in its examples
   • Remove the need to decode intermediate latent codes
4. ¿Qué técnicas de visualización del espacio latente presenta el artículo citado?
   • A system for synchronizing captions to music video
   • A method that estimates image-file metadata
   • A tool for converting latent vectors into spoken audio
   • J-Diagrams and MINE grids for visualizing manifolds from analogies and nearest neighbors
5. ¿Qué mide el artículo de 2021 sobre interpolación latente para comparar una línea recta con una trayectoria más corta?
   • Relative path-length improvement under the generator’s pull-back metric
   • The number of pixels shared by both endpoint images
   • The number of interpolation frames rendered per second
   • The text-prompt length of the decoded samples
6. What does the 2021 study say about latent-space geometry in deep generative models?
   • It is often model-dependent and may be non-Euclidean, so geometry should be evaluated
   • It is always a Euclidean space with identical geometry across models
   • It is always a hypersphere where slerp guarantees quality
   • It has no relation to the generator’s mapping
7. After interpolating two image latents, what step produces a visible in-between sample?
   • Sort the latent coordinates alphabetically
   • Replace the latent with a text caption only
   • Decode the intermediate latent with the generative model
   • Average the two images' file sizes
8. In a weighted latent blend, what does the interpolation coefficient control?
   • The number of training images in the dataset
   • The resolution of the decoder's output layer
   • Whether the model uses labels during pretraining
   • The relative contribution of the two endpoint latent codes