Gids-gekoppelde quiz · Middelmatig Niveau

VQGAN en codeboekbeeldsynthesequiz

Bekijk de discrete codeboektokens van VQGAN, vijandige en perceptuele verliezen, en hoe transformatoren compacte rasters gebruiken om afbeeldingen met hoge resolutie te synthetiseren.

Gerelateerde gidspadenVqgan en codeboekbeeldsynthese
Vraag 1 van 8

Wat gebruikt VQGAN om een ​​afbeelding weer te geven als discrete tokens?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat gebruikt VQGAN om een ​​afbeelding weer te geven als discrete tokens?
    • Een aangeleerd codeboek met vectoren waarnaar de uitgangen van de encoder worden gesnapt
    • Een lijst met bestandsnamen
    • Alleen ruwe RGB-pixels
    • Eén nummer per afbeelding
  2. Wat heeft het oorspronkelijke VQGAN-papier gerapporteerd over de voordelen van vijandige en perceptuele training?
    • To guarantee every VQVAE reconstruction is blurry
    • To preserve perceptual quality at increased compression in the original paper’s evaluated settings
    • To eliminate the need for a learned codebook
    • To make all images use the same token grid regardless of dataset
  3. Als een afbeelding eenmaal een reeks tokens is, welk model genereert dan nieuwe afbeeldingen?
    • Een spreadsheet
    • Een rekenmachine
    • Een autoregressieve transformator die tokens als woorden voorspelt
    • Een printerstuurprogramma
  4. Welke techniek laat gradiënten door de niet-differentieerbare kwantiseringsstap stromen?
    • Uitval
    • Batch-normalisatie
    • Willekeurig bijsnijden
    • De straight-through schatter
  5. Welke beroemde AI-kunsttrend heeft VQGAN in 2021 helpen creëren?
    • VQGAN+CLIP generatieve kunst
    • 3D printen
    • Stemklonen
    • Automatisering van spreadsheets
  6. Wat is een bekende uitdaging met codeboeken in VQGAN-stijl?
    • Ze kunnen geen vectoren opslaan
    • Het instorten van het codeboek, waarbij veel codes ongebruikt blijven
    • Ze vereisen geen training
    • Ze werken alleen op audio
  7. Why does VQGAN use a compact latent token grid for high-resolution images?
    • It removes the need for an image decoder
    • It makes every codebook entry a full-resolution image
    • It shortens the transformer sequence so modeling image composition is more tractable
    • It converts the transformer into a pixel-level convolution
  8. Which loss does the VQGAN guide pair with adversarial training to improve reconstruction quality?
    • A language-model next-token loss
    • A contrastive audio-text loss
    • A reinforcement-learning reward from human rankings
    • Perceptueel verlies