Quiz collegato alla guida · Difficile Livello
Quiz sulla corrispondenza del flusso
Esplora i campi vettoriali appresi della corrispondenza del flusso, i percorsi condizionali, il campionamento ODE e la relazione con la generazione basata sulla diffusione.
Domanda 1 di 8
Cosa impara direttamente a prevedere un modello di corrispondenza del flusso?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa impara direttamente a prevedere un modello di corrispondenza del flusso?
- Un campo di velocità che sposta i campioni dal rumore ai dati
- Un'etichetta di classificazione per ogni immagine
- I byte JPEG compressi di un'immagine
- Una tabella di ricerca fissa dei valori dei pixel
- Come vengono generati i campioni da un modello di corrispondenza del flusso addestrato?
- Campionando una catena di parole di Markov discreta
- Integrando il campo di velocità appresa con un risolutore ODE a partire dal rumore
- Eseguendo la discesa del gradiente sull'immagine di input
- Facendo la media dell'intero set di allenamento
- Cosa rende trattabile la perdita di corrispondenza del flusso condizionale per l'addestramento?
- Ignora completamente i dati
- Richiede la risoluzione analitica dell'intero campo marginale
- Si basa su un singolo punto dati e utilizza un semplice percorso di interpolazione noto
- Funziona solo su un'immagine alla volta per sempre
- Perché la variante "flusso rettificato" consente una generazione più rapida?
- Utilizza reti neurali più grandi
- Salta completamente l'allenamento
- Converte prima le immagini in testo
- Raddrizza i percorsi di probabilità in modo che siano necessari meno passaggi del risolutore ODE
- Which named image model’s paper explicitly describes a rectified-flow transformer?
- Stable Diffusion 3
- Flux, as established by the cited source set
- ResNet-50
- YOLOv8
- Nell'adattamento di flusso condizionato, qual è una tipica interpolazione tra un campione di rumore e un campione di dati al tempo t?
- Una mescolanza casuale di pixel
- x_t = (1-t)*rumore + t*dati, una fusione in linea retta
- Elevando al quadrato il valore di ogni pixel
- Ordinamento dei pixel per luminosità
- In conditional flow matching, how is the marginal vector field related to conditional vector fields?
- It is the largest vector in the training batch
- It is a fixed class label independent of time
- It is the conditional expectation of the conditional vector field over the conditioning variable
- It is the average pixel value of the data
- Beyond generative modeling, what other task does the original rectified-flow paper describe?
- Speech diarization with speaker embeddings
- Classifying handwritten digits from labels alone
- Predicting calendar availability
- Data or domain transfer between distributions