Quiz sur les modèles génératifs basés sur les scores

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

1. Quel est exactement le « score » que ces modèles apprennent ?
   • Le gradient de la densité log-probabilité par rapport à l'entrée
   • Une note de qualité de 0 à 100 pour chaque image
   • Le nombre d'époques de formation complétées
   • L'étiquette de classification du point de données
2. Pourquoi les modèles basés sur les scores sont-ils formés sur des données corrompues par du bruit à plusieurs échelles ?
   • Pour rendre les images artistiques
   • Parce que le score est difficile à estimer là où les données propres sont rares et où le bruit remplit ces régions
   • Pour réduire la taille du fichier de l'ensemble de données
   • Parce que le bruit accélère le GPU
3. Quelle procédure d'échantillonnage les premiers modèles basés sur les scores utilisaient-ils pour générer des données ?
   • Descente de dégradé sur les pixels vers une image cible fixe
   • Une multiplication matricielle unique
   • Dynamique Langevin — avancer dans la partition tout en ajoutant du bruit
   • Recadrage et retournement aléatoires
4. Quel lien majeur l’article score-SDE 2021 a-t-il établi ?
   • Que les GAN sont toujours meilleurs que la diffusion
   • Que les réseaux de neurones ne peuvent pas modéliser les images
   • Ces modèles de score ne fonctionnent qu'en deux dimensions
   • Les modèles de diffusion et les modèles basés sur les scores sont deux vues du même processus SDE continu
5. Quel est le lien entre la prédiction du bruit et la prédiction du score dans la correspondance des scores de débruitage ?
   • 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
   • Prédire le bruit est impossible
   • Le score est toujours nul pour les données bruitées
6. Que permet l'« ODE de flux de probabilité » déterministe que l'échantillonnage stochastique pur ne fournit pas facilement ?
   • Consommation d'énergie du GPU plus élevée
   • Calcul de vraisemblance exacte et chemin d'échantillonnage déterministe
   • Étiquetage automatique des ensembles de données
   • Suppression du besoin de tout réseau 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