スコアベースの生成モデルに関するクイズ

クイズに答えると、答えと解説が表示されます。

1. これらのモデルが学習する「スコア」とは正確には何でしょうか?
   • 入力に対する対数確率密度の勾配
   • 各画像の品質評価は 0 ～ 100 です。
   • 完了したトレーニング エポックの数
   • データポイントの分類ラベル
2. スコアベースのモデルが複数のスケールのノイズによって破損したデータでトレーニングされるのはなぜですか?
   • 画像を芸術的に見せるには
   • クリーンなデータがまばらで、その領域にノイズが入っている場所ではスコアを推定することが困難であるため
   • データセットのファイルサイズを小さくするには
   • ノイズによりGPUの速度が上がるため
3. 初期のスコアベースのモデルはデータの生成にどのサンプリング手順を使用しましたか?
   • 固定ターゲット画像に向かうピクセルの勾配降下
   • 単一の行列乗算
   • ランジュバンのダイナミクス – ノイズを追加しながらスコアに沿ってステップを実行する
   • ランダムなトリミングと反転
4. 2021 年のスコアと SDE の論文はどのような主な関係を確立しましたか?
   • GAN は常に普及よりも優れているということ
   • ニューラルネットワークは画像をモデル化できない
   • スコアモデルは 2 次元でのみ機能します
   • 拡散モデルとスコアベースのモデルは、同じ継続的な SDE プロセスの 2 つのビューであること
5. ノイズの予測は、ノイズ除去スコア マッチングにおけるスコアの予測とどのように関係しますか?
   • The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
   • Noise prediction and score estimation are unrelated
   • ノイズの予測は不可能
   • ノイズのあるデータのスコアは常に 0 です
6. 決定論的な「確率フロー ODE」は、純粋な確率的サンプリングでは簡単に実現できないことを可能にしますか?
   • GPUの消費電力が高い
   • 正確な尤度の計算と決定論的なサンプリング パス
   • データセットの自動ラベル付け
   • ニューラルネットワークの必要性の排除
7. In score-based generation, what does the reverse-time SDE do?
   • It converts image labels into captions
   • It adds noise to an already generated output only
   • It transforms a prior noise distribution back toward the data distribution
   • It estimates the class label of each pixel
8. In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
   • Use the prior alone and ignore measured k-space data
   • Combine the learned score prior with the measurement constraint during posterior sampling
   • Replace all measurements with random noise
   • Treat the score as a diagnosis of the patient