Gids-gekoppelde quiz · Moeilijk Niveau
Flow Matching-quiz
Verken de geleerde vectorvelden van flow matching, conditionele paden, ODE-sampling en de relatie tot op diffusie gebaseerde generatie.
Vraag 1 van 8
Wat leert een flowmatchingmodel direct voorspellen?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat leert een flowmatchingmodel direct voorspellen?
- Een snelheidsveld dat samples van ruis naar data verplaatst
- Een classificatielabel voor elke afbeelding
- De gecomprimeerde JPEG-bytes van een afbeelding
- Een vaste opzoektabel met pixelwaarden
- Hoe worden monsters gegenereerd op basis van een getraind stroommatchingsmodel?
- Door een discrete Markov-woordenreeks te bemonsteren
- Door het geleerde snelheidsveld te integreren met een ODE-oplosser, uitgaande van ruis
- Door een gradiëntdaling uit te voeren op de invoerafbeelding
- Door het gemiddelde te nemen van de hele trainingsset
- Wat maakt het verlies van conditionele stroommatching traceerbaar om te trainen?
- Het negeert de gegevens volledig
- Het vereist een analytische oplossing van het volledige marginale veld
- Het conditioneert op een enkel datapunt en gebruikt een eenvoudig bekend interpolatiepad
- Het werkt voor altijd maar op één afbeelding tegelijk
- Waarom maakt de ‘rectified flow’ variant een snellere opwekking mogelijk?
- Het maakt gebruik van grotere neurale netwerken
- Het slaat de training volledig over
- Het converteert afbeeldingen eerst naar tekst
- Het maakt de waarschijnlijkheidspaden recht, zodat er minder ODE-oplosserstappen nodig zijn
- 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
- Wat is bij conditionele stroommatching een typische interpolatie tussen een ruismonster en een gegevensmonster op tijdstip t?
- Een willekeurige shuffle van pixels
- x_t = (1-t)*ruis + t*data, een rechte lijnovervloeiing
- Elke pixelwaarde kwadrateren
- Pixels sorteren op helderheid
- 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