Kuiz Model Generatif Berasaskan Skor

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah sebenarnya 'skor' yang dipelajari oleh model ini?
   • Kecerunan ketumpatan log-kebarangkalian berkenaan dengan input
   • Penarafan kualiti dari 0 hingga 100 untuk setiap imej
   • Bilangan zaman latihan yang telah selesai
   • Label klasifikasi titik data
2. Mengapakah model berasaskan skor yang dilatih pada data rosak dengan hingar pada pelbagai skala?
   • Untuk menjadikan imej kelihatan artistik
   • Kerana skor sukar untuk dianggarkan di mana data bersih adalah jarang, dan bunyi bising memenuhi kawasan tersebut
   • Untuk mengurangkan saiz fail set data
   • Kerana bunyi bising mempercepatkan GPU
3. Prosedur persampelan manakah yang digunakan oleh model berasaskan skor awal untuk menjana data?
   • Penurunan kecerunan pada piksel ke arah imej sasaran tetap
   • Pendaraban matriks tunggal
   • Dinamik Langevin — melangkah mengikut skor sambil menambah bunyi
   • Pemotongan rawak dan terbalik
4. Apakah hubungan utama yang dibuat oleh kertas skor-SDE 2021?
   • Bahawa GAN sentiasa lebih baik daripada penyebaran
   • Rangkaian saraf itu tidak boleh memodelkan imej
   • Model skor itu hanya berfungsi dalam dua dimensi
   • Model penyebaran dan model berasaskan skor adalah dua pandangan proses SDE berterusan yang sama
5. Bagaimanakah meramalkan hingar berkaitan dengan meramal skor dalam menolak padanan skor?
   • 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
   • Meramalkan bunyi adalah mustahil
   • Skor sentiasa sifar untuk data hingar
6. Apakah 'ODE aliran kebarangkalian' penentu yang membolehkan pensampelan stokastik tulen tidak diberikan dengan mudah?
   • Penggunaan kuasa GPU yang lebih tinggi
   • Pengiraan kemungkinan yang tepat dan laluan pensampelan yang menentukan
   • Pelabelan set data automatik
   • Menghapuskan keperluan untuk mana-mana rangkaian saraf
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