Útmutatóhoz kapcsolódó kvíz · Közepes Szint
Autoregresszív képgenerálási kvíz
Learn how autoregressive image models encode images as token sequences and generate them one step at a time from text prompts.
kérdés 1 -ból 8
Mit jelent az „autoregresszív” a képalkotás kontextusában?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Mit jelent az „autoregresszív” a képalkotás kontextusában?
- Minden új elem előrejelzése a korábban generált elemek függvényében történik
- Minden új elem előrejelzése csak a szöveges prompt használatával történik
- A teljes kép egyben zajtalanításra kerül a véletlenszerű zaj miatt
- A pixelek egymástól teljesen függetlenül jönnek létre
- A modern autoregresszív képmodellek, mint például a DALL-E 1, általában hogyan ábrázolják a képet, mielőtt megjósolják?
- Egyetlen folytonos vektorként
- Egy tanult kódkönyvből származó diszkrét tokenek rögzített rácsjaként
- Csak nyers 24 bites RGB pixelként
- Vektorgrafikus alakzatok listájaként
- Mely korai modellek generáltak képeket nyers pixelenként?
- GAN-ok és VAE-k
- Stabil diffúzió és kép
- PixelRNN és PixelCNN
- CLIP és BLIP
- Milyen mechanizmus biztosítja, hogy a transzformátor csak a korábbi tokenekre figyeljen az autoregresszív generálás során?
- Lemorzsolódás
- Kötegelt normalizálás
- Kapcsolódások kihagyása
- Ok-okozati (maszkos) önfigyelem
- Mi az autoregresszív képmintavétel fő gyakorlati hátránya?
- A mintavétel szekvenciális, ezért lassú
- Nem lehet szöveghez kötni
- Nem képes finom részleteket modellezni
- Nem igényel edzési adatokat
- Melyik technika gyorsítja fel a token alapú képgenerálást sok token párhuzamos előrejelzésével?
- Tanári kényszer
- Maszkolt párhuzamos dekódolás (pl. MaskGIT/Muse)
- Gradiens vágás
- One-hot kódolás
- How does the original DALL·E model use text and image tokens?
- Separate unconnected classifiers process text and pixels
- A diffusion decoder predicts all pixels simultaneously
- A single autoregressive Transformer models the sequence conditioned on text and image tokens
- The model uses only a text encoder and no image-token sequence
- What scale of image-text pairs did the original DALL·E paper report collecting?
- About 250 pairs
- About 25 thousand pairs
- About 25 billion pairs
- About 250 million image-text pairs