Kuis Sintesis Gambar VQGAN dan Codebook

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang digunakan VQGAN untuk merepresentasikan gambar sebagai token diskrit?
   • Buku kode vektor yang dipelajari yang dijadikan tempat pengambilan keluaran encoder
   • Daftar nama file
   • Hanya piksel RGB mentah
   • Satu nomor per gambar
2. What did the original VQGAN paper report gaining from adversarial and perceptual training?
   • To guarantee every VQVAE reconstruction is blurry
   • To preserve perceptual quality at increased compression in the original paper’s evaluated settings
   • To eliminate the need for a learned codebook
   • To make all images use the same token grid regardless of dataset
3. Jika suatu gambar merupakan rangkaian token, model apa yang menghasilkan gambar baru?
   • Sebuah spreadsheet
   • Kalkulator
   • Transformator autoregresif yang memprediksi token seperti kata-kata
   • Pengandar pencetak
4. Teknik apa yang memungkinkan gradien mengalir melalui langkah kuantisasi yang tidak dapat dibedakan?
   • Putus sekolah
   • Normalisasi batch
   • Pemangkasan acak
   • Estimator langsung
5. Tren seni AI terkenal apa yang VQGAN bantu ciptakan pada tahun 2021?
   • Seni generatif VQGAN+KLIP
   • Pencetakan 3D
   • Kloning suara
   • Otomatisasi lembar kerja
6. Apa tantangan yang umum terjadi pada buku kode bergaya VQGAN?
   • Mereka tidak dapat menyimpan vektor apa pun
   • Buku kode runtuh, sehingga banyak kode tidak digunakan
   • Mereka tidak memerlukan pelatihan
   • Mereka hanya bekerja pada audio
7. Why does VQGAN use a compact latent token grid for high-resolution images?
   • It removes the need for an image decoder
   • It makes every codebook entry a full-resolution image
   • It shortens the transformer sequence so modeling image composition is more tractable
   • It converts the transformer into a pixel-level convolution
8. Which loss does the VQGAN guide pair with adversarial training to improve reconstruction quality?
   • A language-model next-token loss
   • A contrastive audio-text loss
   • A reinforcement-learning reward from human rankings
   • Kehilangan persepsi