Quiz sur la correspondance des flux

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Qu’est-ce qu’un modèle d’appariement de flux apprend directement à prédire ?
   • Un champ de vitesse qui déplace les échantillons du bruit vers les données
   • Une étiquette de classification pour chaque image
   • Les octets JPEG compressés d’une image
   • Une table de recherche fixe des valeurs de pixels
2. Comment les échantillons sont-ils générés à partir d’un modèle de correspondance de flux entraîné ?
   • En échantillonnant une chaîne de mots markovienne discrète
   • En intégrant le champ de vitesse appris avec un solveur ODE à partir du bruit
   • En exécutant une descente de dégradé sur l'image d'entrée
   • En faisant la moyenne de l'ensemble de l'entraînement
3. Qu'est-ce qui rend la perte de correspondance de flux conditionnelle traitable à l'entraînement ?
   • Il ignore complètement les données
   • Cela nécessite de résoudre analytiquement le champ marginal complet
   • Il conditionne sur un seul point de données et utilise un simple chemin d'interpolation connu
   • Cela ne fonctionne que sur une image à la fois pour toujours
4. Pourquoi la variante « flux rectifié » permet-elle une génération plus rapide ?
   • Il utilise des réseaux de neurones plus grands
   • Il saute complètement la formation
   • Il convertit d'abord les images en texte
   • Il redresse les chemins de probabilité, ce qui réduit le nombre d'étapes du solveur ODE.
5. Which named image model’s paper explicitly describes a rectified-flow transformer?
   • Stable Diffusion 3
   • Flux, as established by the cited source set
   • ResNet-50
   • YOLOv8
6. Dans l'appariement de flux conditionnel, qu'est-ce qu'une interpolation typique entre un échantillon de bruit et un échantillon de données au temps t ?
   • Un mélange aléatoire de pixels
   • x_t = (1-t)*noise + t*data, un mélange en ligne droite
   • Mettre au carré chaque valeur de pixel
   • Trier les pixels par luminosité
7. In conditional flow matching, how is the marginal vector field related to conditional vector fields?
   • It is the largest vector in the training batch
   • It is a fixed class label independent of time
   • It is the conditional expectation of the conditional vector field over the conditioning variable
   • It is the average pixel value of the data
8. Beyond generative modeling, what other task does the original rectified-flow paper describe?
   • Speech diarization with speaker embeddings
   • Classifying handwritten digits from labels alone
   • Predicting calendar availability
   • Data or domain transfer between distributions