Cuestionario vinculado a una guía · Medio Nivel

Prueba de síntesis de imágenes de VQGAN y libro de códigos

Revise los tokens del libro de códigos discretos de VQGAN, las pérdidas adversas y de percepción, y cómo los transformadores utilizan cuadrículas compactas para sintetizar imágenes de alta resolución.

Rutas de guía relacionadasSíntesis de imágenes de Vqgan y libro de códigos
Pregunta 1 de 8

¿Qué utiliza VQGAN para representar una imagen como tokens discretos?

Vista previa de cada pregunta8 preguntas

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

  1. ¿Qué utiliza VQGAN para representar una imagen como tokens discretos?
    • Un libro de códigos aprendido de vectores a los que se ajustan las salidas del codificador
    • Una lista de nombres de archivos
    • Solo píxeles RGB sin formato
    • Un solo número por imagen
  2. What did the original VQGAN paper report gaining from adversarial and perceptual training?
    • To guarantee every VQVAE reconstruction is blurry
    • To preserve perceptual quality at increased compression in the original paper’s evaluated settings
    • To eliminate the need for a learned codebook
    • To make all images use the same token grid regardless of dataset
  3. Una vez que una imagen es una secuencia de tokens, ¿qué modelo genera nuevas imágenes?
    • una hoja de cálculo
    • una calculadora
    • Un transformador autorregresivo que predice tokens como palabras
    • Un controlador de impresora
  4. ¿Qué técnica permite que los gradientes fluyan a través del paso de cuantificación no diferenciable?
    • Abandono
    • Normalización por lotes
    • Recorte aleatorio
    • El estimador directo
  5. ¿Qué famosa tendencia artística de IA ayudó a crear VQGAN en 2021?
    • VQGAN+CLIP arte generativo
    • impresión 3D
    • Clonación de voz
    • Automatización de hojas de cálculo
  6. ¿Cuál es un desafío conocido con los libros de códigos estilo VQGAN?
    • No pueden almacenar ningún vector.
    • Colapso del libro de códigos, donde muchos códigos no se utilizan
    • No requieren entrenamiento
    • Solo funcionan con audio.
  7. Why does VQGAN use a compact latent token grid for high-resolution images?
    • It removes the need for an image decoder
    • It makes every codebook entry a full-resolution image
    • It shortens the transformer sequence so modeling image composition is more tractable
    • It converts the transformer into a pixel-level convolution
  8. Which loss does the VQGAN guide pair with adversarial training to improve reconstruction quality?
    • A language-model next-token loss
    • A contrastive audio-text loss
    • A reinforcement-learning reward from human rankings
    • Pérdida de percepción