GAN の漸進的成長に関するクイズ

クイズに答えると、答えと解説が表示されます。

1. 成長を続ける GAN はどのようにトレーニングを開始するのでしょうか?
   • すぐに最大のターゲット解像度で
   • 4x4 ピクセルなどの非常に低い解像度の場合
   • 識別器のみを事前トレーニングすることで
   • テキストプロンプトあり
2. 解像度を段階的に高めることの主な利点は何ですか?
   • 高解像度で直接トレーニングするよりも、トレーニングがより安定して高速になります。
   • 発電機が不要になります
   • データセット要件が不要になります
   • アーティファクトゼロを保証します
3. 新しい高解像度レイヤーが追加される場合、それはどのように導入されますか?
   • 瞬時に全力で
   • 弁別器のみで使用し、生成器では使用しないでください。
   • 0 から 1 まで変化するブレンド ウェイト (アルファ) でスムーズにフェードインします。
   • ネットワークを最初から再トレーニングすることで
4. ジェネレーターとディスクリミネーターの両方にレイヤーが追加されるのはなぜですか?
   • ジェネレーターだけでは色を出せないため
   • データセットのサイズを小さくするには
   • 視覚化のみを目的とする
   • 解像度が増加するにつれて 2 つのネットワークの対称性とバランスを保つため
5. ProGAN で導入されたミニバッチ標準偏差レイヤーの目的は何ですか?
   • 最終画像をアップスケーリングするには
   • モデルを圧縮するには
   • 出力変動を増加させ、モード崩壊を防止するため
   • トレーニング画像にラベルを付けるには
6. その後の開発により、明示的な漸進的成長の必要性が減少したのはどれですか?
   • 弁別器の発明
   • StyleGAN2 はスキップ/残留接続を備えた固定アーキテクチャを示しており、品質と一致する可能性があります
   • グレースケール画像への切り替え
   • 潜在ベクトルを完全に除去する
7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
   • Only the newly added block at full strength
   • An unrelated pretrained text encoder
   • A random photograph taken from the test set
   • The previous lower-resolution path after upsampling
8. What is the original ProGAN equalized-learning-rate method intended to balance?
   • The effective scale of learning across layers through dynamic weight scaling
   • The number of captions assigned to each face image
   • The timestamp of every generated training sample
   • The count of output file formats across batches