Quiz dotyczący dopasowywania przepływu

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Czego bezpośrednio uczy się przewidywać model dopasowywania przepływu?
   • Pole prędkości, które przesuwa próbki z szumu w kierunku danych
   • Etykieta klasyfikacyjna dla każdego obrazu
   • Skompresowane bajty JPEG obrazu
   • Stała tabela przeglądowa wartości pikseli
2. W jaki sposób generowane są próbki na podstawie przeszkolonego modelu dopasowywania przepływu?
   • Próbkując dyskretny łańcuch słów Markowa
   • Całkując wyuczone pole prędkości z modułem ODE, zaczynając od szumu
   • Uruchamiając gradientowe opadanie na obrazie wejściowym
   • Uśredniając cały zestaw treningowy
3. Co sprawia, że warunkowe dopasowanie straty dopasowującej przepływ jest podatne na trenowanie?
   • Całkowicie ignoruje dane
   • Wymaga to analitycznego rozwiązania pełnego pola krańcowego
   • Opiera się na pojedynczym punkcie danych i wykorzystuje prostą, znaną ścieżkę interpolacji
   • Działa to tylko na jednym obrazie na raz na zawsze
4. Dlaczego wariant „rektyfikowanego przepływu” umożliwia szybsze wytwarzanie?
   • Wykorzystuje większe sieci neuronowe
   • Całkowicie pomija treningi
   • Najpierw konwertuje obrazy na tekst
   • Prostuje ścieżki prawdopodobieństwa, więc potrzeba mniej kroków rozwiązywania ODE
5. 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
6. Jaka jest typowa interpolacja między próbką szumu a próbką danych w czasie t w przypadku warunkowego dopasowywania przepływu?
   • Losowe przemieszanie pikseli
   • x_t = (1-t)*szum + t*dane, mieszanka liniowa
   • Podnoszenie do kwadratu wartości każdego piksela
   • Sortowanie pikseli według jasności
7. 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
8. 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