Prueba de modelos generativos basados en puntuaciones

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

1. ¿Cuál es exactamente la 'puntuación' que aprenden estos modelos?
   • El gradiente de la densidad logarítmica de probabilidad con respecto a la entrada.
   • Una calificación de calidad de 0 a 100 para cada imagen.
   • El número de épocas de entrenamiento completadas.
   • La etiqueta de clasificación del punto de datos.
2. ¿Por qué los modelos basados en puntuaciones se entrenan con datos corrompidos por el ruido en múltiples escalas?
   • Para que las imágenes parezcan artísticas.
   • Porque la puntuación es difícil de estimar cuando los datos limpios son escasos y el ruido llena esas regiones.
   • Para reducir el tamaño del archivo del conjunto de datos
   • Porque el ruido acelera la GPU
3. ¿Qué procedimiento de muestreo utilizaron los primeros modelos basados en puntuaciones para generar datos?
   • Descenso de gradiente en los píxeles hacia una imagen de destino fija
   • Una multiplicación de una sola matriz
   • Dinámica de Langevin: avanzar a lo largo de la partitura mientras se agrega ruido
   • Recorte y volteo aleatorios
4. ¿Qué conexión importante estableció el documento Score-SDE de 2021?
   • Que las GAN siempre son mejores que la difusión
   • Que las redes neuronales no pueden modelar imágenes
   • Que los modelos de puntuación sólo funcionan en dos dimensiones
   • Que los modelos de difusión y los modelos basados en puntuaciones son dos visiones del mismo proceso continuo de SDE
5. ¿Cómo se relaciona la predicción del ruido con la predicción de la puntuación en la comparación de puntuaciones de eliminación de ruido?
   • 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
   • Predecir el ruido es imposible
   • La puntuación siempre es cero para los datos con ruido.
6. ¿Qué permite la 'EDO de flujo de probabilidad' determinista que el muestreo estocástico puro no proporciona fácilmente?
   • Mayor consumo de energía de la GPU
   • Cálculo de probabilidad exacta y ruta de muestreo determinista
   • Etiquetado automático de conjuntos de datos
   • Eliminación de la necesidad de cualquier red neuronal.
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