Gids-gekoppelde quiz · Moeilijk Niveau
Op scores gebaseerde generatieve modellenquiz
Testscorefuncties, het verwijderen van ruis bij het matchen van scores, Langevin-sampling en de omgekeerde SDE-weergave van gegevensgeneratie op basis van ruis.
Vraag 1 van 8
Wat is precies de ‘score’ die deze modellen leren?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is precies de ‘score’ die deze modellen leren?
- De gradiënt van de log-waarschijnlijkheidsdichtheid ten opzichte van de invoer
- Een kwaliteitsbeoordeling van 0 tot 100 voor elke afbeelding
- Het aantal voltooide trainingstijdvakken
- Het classificatielabel van het gegevenspunt
- Waarom worden op scores gebaseerde modellen getraind op gegevens die zijn beschadigd door ruis op meerdere schalen?
- Om de afbeeldingen er artistiek uit te laten zien
- Omdat de score moeilijk in te schatten is waar schone data schaars zijn, en ruis in die gebieden opvult
- Om de bestandsgrootte van de gegevensset te verkleinen
- Omdat ruis de GPU versnelt
- Welke steekproefprocedure gebruikten vroege op scores gebaseerde modellen om gegevens te genereren?
- Gradiëntafdaling van de pixels naar een vast doelbeeld
- Een enkele matrixvermenigvuldiging
- Langevin-dynamiek — langs de partituur stappen terwijl je ruis toevoegt
- Willekeurig bijsnijden en omdraaien
- Welk belangrijk verband werd in het score-SDE-paper 2021 gelegd?
- Dat GAN's altijd beter zijn dan diffusie
- Dat neurale netwerken geen afbeeldingen kunnen modelleren
- Die scoremodellen werken alleen in twee dimensies
- Dat diffusiemodellen en op scores gebaseerde modellen twee visies zijn op hetzelfde continue SDE-proces
- Hoe verhoudt het voorspellen van ruis zich tot het voorspellen van de score bij het denoiseren van scorematching?
- Het conditionele ontruisings-score-doel is −ε/σ voor gestandaardiseerde Gaussiaanse ruis; het model schat de score van de ruisachtige data
- Ruisvoorspelling en scoreschatting zijn ongerelateerd
- Geluid voorspellen is onmogelijk
- De score is altijd nul voor geruisde gegevens
- Wat maakt de deterministische 'probability flow ODE' mogelijk dat pure stochastische bemonstering niet gemakkelijk oplevert?
- Hoger GPU-stroomverbruik
- Exacte waarschijnlijkheidsberekening en een deterministisch bemonsteringspad
- Automatische datasetlabeling
- Het wegnemen van de noodzaak voor een neuraal netwerk
- Wat doet de SDE in omgekeerde tijd bij op score gebaseerde generatie?
- Het converteert afbeeldingslabels naar bijschriften
- Het voegt alleen ruis toe aan een reeds gegenereerde uitvoer
- Het transformeert een prior-ruisverdeling terug naar de datadistributie
- Het schat het klassenlabel van elke pixel
- Hoe kan een geleerde afbeeldingsprior bij een op score gebaseerde MRI-reconstructiemethode helpen bij het herstellen van een ondergesamplede scan?
- Gebruik alleen de prior en negeer gemeten k-ruimtegegevens
- Combineer de geleerde score-prior met de meetbeperking tijdens posterieure sampling
- Vervang alle metingen door willekeurige ruis
- Beschouw de score als een diagnose van de patiënt