Prueba de decodificación de tokens paralelos MaskGIT

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

1. ¿Cómo decodifica MaskGIT los tokens de imágenes de manera diferente al transformador de VQGAN?
   • Predice tokens en paralelo y los refina en unos pocos pasos.
   • Predice un token a la vez en orden ráster.
   • No utiliza transformador
   • Genera solo texto
2. ¿Qué objetivo de formación toma MaskGIT de los modelos de lenguaje?
   • Predicción de la siguiente palabra únicamente
   • Predicción de tokens enmascarados, como BERT
   • Clasificación de imágenes
   • Aprendizaje reforzado a partir de la retroalimentación humana
3. Durante la generación, ¿qué tokens compromete MaskGIT en cada iteración?
   • Los de menor confianza
   • Fichas aleatorias
   • Las predicciones de mayor confianza
   • Todos los tokens a la vez en el paso uno
4. In the original MaskGIT generation examples, roughly how many refinement iterations were often used?
   • Exactly one iteration for every image and task
   • Hundreds of sequential token predictions
   • A fixed number that cannot be changed by the user
   • About 8 to 12 in those reported configurations
5. ¿Qué programa controla cuántos tokens MaskGIT revela en cada paso?
   • Un programa de enmascaramiento del coseno
   • Una regla lineal que revela todo a la vez
   • Sin horario; es aleatorio
   • Un token fijo por paso
6. ¿Por qué la atención bidireccional ayuda a MaskGIT?
   • Oculta la imagen del modelo.
   • Permite que cada token vea la imagen parcial completa para un mejor contexto.
   • Solo mira tokens anteriores.
   • Elimina la necesidad de tokens.
7. What token grid does MaskGIT begin with when generating an image?
   • A fully decoded image that only needs color correction
   • A left-to-right stream with no masked positions
   • A grid with every image token masked
   • A grid of text embeddings from the prompt only
8. How can MaskGIT fill a masked region during image inpainting?
   • Discard the observed image and generate an unrelated full image
   • Use only a left-to-right text decoder with no image tokens
   • Replace every visible token with a random codebook entry
   • Keep observed image tokens as context and iteratively predict the masked positions