Quiz lié à un guide · Moyen Niveau

Quiz sur l'imagerie générative masquée de Muse

Passez en revue la tokenisation des images Muse, le conditionnement du texte gelé, le décodage masqué parallèle, les étapes de résolution, les capacités d'édition et la comptabilité des paramètres.

Chemins de guidage associésImagerie générative masquée Muse
Question 1 de 8

Qu'est-ce que Muse prédit lors de la génération au lieu de débruiter les pixels ?

Prévisualisez chaque question8 des questions

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

  1. Qu'est-ce que Muse prédit lors de la génération au lieu de débruiter les pixels ?
    • Valeurs brutes des pixels RVB directement
    • Jetons d'image discrets masqués à partir d'un livre de codes VQGAN
    • Traits vectoriels comme un programme de graphiques vectoriels
    • Cartes de profondeur qui sont ensuite colorées
  2. What feature contributes to Muse's reported sampling efficiency relative to the evaluated sequential image-token baseline?
    • Generating only monochrome outputs
    • Removing all text-encoder computation
    • Guaranteeing completion of every image in a single pass
    • Predicting multiple masked image tokens in each decoding round
  3. How does original Muse condition image prediction on its text prompt?
    • With embeddings from a pretrained frozen T5-XXL encoder
    • With an untrained word-frequency table
    • By reading only the first character
    • By turning off text processing during inference
  4. Quel est le rôle du remasquage basé sur la confiance dans Muse ?
    • Il supprime les images d'entraînement de mauvaise qualité
    • Il compresse le fichier image final
    • Il maintient les prédictions de jetons fiables et masque à nouveau les prédictions incertaines pour le prochain tour.
    • Il évalue la qualité rapide de l'utilisateur
  5. How does Muse's two-stage token pipeline produce a higher-resolution image representation?
    • It enlarges the output only with a blur filter
    • It predicts all resolutions with no additional model
    • It discards the text condition before the second stage
    • A super-resolution token model uses the base representation to predict a higher-resolution token grid
  6. À quel type de tâche Muse est-il naturellement adapté car il prédit les régions masquées ?
    • Transcription audio
    • Inpainting et outpainting
    • Calcul sur feuille de calcul
    • Compression vidéo uniquement
  7. After Muse predicts its image-token grid, which component reconstructs pixels?
    • The text prompt's keyboard input handler
    • An AIS transponder
    • The corresponding VQGAN tokenizer decoder
    • The training-caption file name
  8. Why does a quoted Muse image-model parameter count omit some parameters used by the full generation system?
    • The frozen T5-XXL text encoder is an additional component
    • Every frozen model has zero stored parameters
    • The model count measures only PNG file bytes
    • The text encoder becomes the image tokenizer at runtime