ガイド連動クイズ · 中 レベル

自己回帰画像生成クイズ

自己回帰画像モデルが画像をトークン シーケンスとしてエンコードし、テキスト プロンプトから一度に 1 ステップずつ生成する方法を学びます。

関連するガイドパス自己回帰画像生成
質問 1 の 8

画像生成の文脈における「自己回帰」とは何を意味しますか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. 画像生成の文脈における「自己回帰」とは何を意味しますか?
    • 新しい要素はそれぞれ、以前に生成された要素に基づいて予測されます。
    • 新しい要素はそれぞれ、テキスト プロンプトのみを使用して予測されます。
    • 画像全体のランダムノイズを一度に除去します。
    • ピクセルは互いに完全に独立して生成されます
  2. DALL-E 1 のような最新の自己回帰画像モデルは、通常、画像を予測する前にどのように表現するのでしょうか?
    • 単一の連続ベクトルとして
    • 学習されたコードブックからの離散トークンの固定グリッドとして
    • 生の 24 ビット RGB ピクセルのみ
    • ベクター グラフィックス形状のリストとして
  3. 一度に 1 raw ピクセルずつ画像を生成した初期のモデルはどれですか?
    • GAN と VAE
    • 安定した拡散とイメージン
    • PixelRNN と PixelCNN
    • クリップとブリップ
  4. 自己回帰生成中に Transformer が以前のトークンのみに対応することを保証するメカニズムは何ですか?
    • ドロップアウト
    • バッチ正規化
    • 接続をスキップする
    • 因果的（仮面をかぶった）自己注意
  5. 自己回帰画像サンプリングの実際的な主な欠点は何ですか?
    • サンプリングはシーケンシャルであるため遅い
    • テキストで条件付けすることはできません
    • 細かい部分までモデリングできない
    • トレーニングデータは必要ありません
  6. 多くのトークンを並行して予測することで、トークンベースのイメージ生成を高速化する手法はどれですか?
    • 教師の強制
    • マスクされた並列デコード (MaskGIT/Muse など)
    • グラデーションクリッピング
    • ワンホットエンコーディング
  7. 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
  8. 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