Quiz o maskowanym obrazowaniu generatywnym Muse

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co Muse przewiduje podczas generowania zamiast odszumiania pikseli?
   • Bezpośrednie wartości surowych pikseli RGB
   • Zamaskowane dyskretne tokeny obrazu z książki kodów VQGAN
   • Pociągnięcia wektorowe jak program do grafiki wektorowej
   • Mapy głębi, które są później kolorowane
2. What feature contributes to Muse's reported sampling efficiency relative to the evaluated sequential image-token baseline?
   • Generating only monochrome outputs
   • Removing all text-encoder computation
   • Guaranteeing completion of every image in a single pass
   • Predicting multiple masked image tokens in each decoding round
3. How does original Muse condition image prediction on its text prompt?
   • With embeddings from a pretrained frozen T5-XXL encoder
   • With an untrained word-frequency table
   • By reading only the first character
   • By turning off text processing during inference
4. Jaka jest rola opartego na zaufaniu przemaskowania w Muse?
   • Usuwa obrazy szkoleniowe o niskiej jakości
   • Kompresuje ostateczny plik obrazu
   • Zachowuje pewne przewidywania żetonowe i ponownie maskuje niepewne przewidywania na następną rundę
   • Ocenia szybką jakość użytkownika
5. How does Muse's two-stage token pipeline produce a higher-resolution image representation?
   • It enlarges the output only with a blur filter
   • It predicts all resolutions with no additional model
   • It discards the text condition before the second stage
   • A super-resolution token model uses the base representation to predict a higher-resolution token grid
6. Do jakiego rodzaju zadań idealnie nadaje się Muse, ponieważ przewiduje zamaskowane obszary?
   • Transkrypcja dźwięku
   • Malowanie i przemalowywanie
   • Obliczenia w arkuszu kalkulacyjnym
   • Tylko kompresja wideo
7. After Muse predicts its image-token grid, which component reconstructs pixels?
   • The text prompt's keyboard input handler
   • An AIS transponder
   • The corresponding VQGAN tokenizer decoder
   • The training-caption file name
8. Why does a quoted Muse image-model parameter count omit some parameters used by the full generation system?
   • The frozen T5-XXL text encoder is an additional component
   • Every frozen model has zero stored parameters
   • The model count measures only PNG file bytes
   • The text encoder becomes the image tokenizer at runtime