Kuis terkait panduan · Sedang Tingkat

Kuis Peningkatan Ucapan Noise2Noise

Tinjau asumsi-asumsi korupsi berpasangan dari Noise2Noise, alasan rata-rata kondisionalnya, dan demonstrasi penelitian di luar peningkatan kemampuan bicara.

Jalur panduan terkaitPeningkatan Ucapan Noise2noise
Pertanyaan 1 dari 8

Apa klaim inti yang mengejutkan dari Noise2Noise?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa klaim inti yang mengejutkan dari Noise2Noise?
    • Anda dapat menyangkal hanya dengan menggunakan contoh yang rusak, tidak diperlukan referensi yang bersih
    • Anda harus selalu memiliki audio yang bersih dan benar
    • Kebisingan tidak dapat dihilangkan oleh jaringan saraf
    • Hanya ucapan, bukan gambaran, yang dapat disangkal dengan cara ini
  2. Mengapa jaringan tidak bisa mengingat noise di klip target?
    • Suaranya terlalu pelan untuk dianggap penting
    • Kebisingan tersebut bersifat acak dan independen, sehingga tidak dapat diprediksi
    • Jaringannya terlalu kecil
    • Kebisingan selalu bernilai sama
  3. For squared-error training, what conditional statistic minimizes expected loss?
    • The largest target value
    • The unconditional variance
    • The conditional mean of the target given the input
    • A randomly selected target frame
  4. Apa yang benar tentang kebisingan yang ditambahkan ke target agar triknya berhasil?
    • Itu harus lebih keras dari pidatonya
    • Suaranya harus sama dengan inputnya
    • Itu harus berasal dari studio rekaman
    • Itu harus bernilai nol dan tidak bergantung pada noise masukan
  5. For absolute-error training, which conditional statistic is minimized?
    • The conditional median of the target given the input
    • Variansnya
    • Maksimal
    • The sum of all pixels
  6. Metode manakah yang memperluas Noise2Noise ke arah pembelajaran dari sampel tunggal yang berisik?
    • Word2Vec dan BERT
    • Noise2Void dan Noise2Self
    • Griffin-Lim dan SoundStream
    • ResNet dan VGG
  7. Which non-photographic reconstruction task did the Noise2Noise paper demonstrate?
    • Satellite orbit prediction
    • Particle-track reconstruction
    • Reconstruction of undersampled MRI scans
    • Speech translation
  8. Which condition can undermine Noise2Noise’s clean-target argument?
    • The model uses a convolutional layer
    • The input and target have different file names
    • The clean signal contains edges
    • The target corruption is predictably biased given the input corruption