Quiz połączony z przewodnikiem · Średni Poziom

Quiz dotyczący poprawy mowy Noise2Noise

Przejrzyj założenia Noise2Noise dotyczące korupcji w parach, uzasadnienie średniej warunkowej i demonstracje badawcze wykraczające poza poprawę mowy.

Powiązane ścieżki prowadząceWzmocnienie mowy Noise2noise
Pytanie 1 z 8

Jakie jest zaskakujące główne twierdzenie Noise2Noise?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jakie jest zaskakujące główne twierdzenie Noise2Noise?
    • Możesz odszumiać, używając tylko uszkodzonych przykładów, nie są potrzebne czyste odniesienia
    • Zawsze musisz mieć czysty, wierny dźwięk
    • Sieci neuronowe nie mogą usunąć szumu
    • W ten sposób można odszumić jedynie mowę, nigdy obrazy
  2. Dlaczego sieć nie może po prostu zapamiętać szumu w docelowym klipie?
    • Hałas jest zbyt cichy, aby mieć znaczenie
    • Szum jest losowy i niezależny, więc jest nieprzewidywalny
    • Sieć jest za mała
    • Szum ma zawsze tę samą wartość
  3. For squared-error training, what conditional statistic minimizes expected loss?
    • The largest target value
    • The unconditional variance
    • The conditional mean of the target given the input
    • A randomly selected target frame
  4. Co musi być prawdą w odniesieniu do hałasu dodanego do celu, aby sztuczka zadziałała?
    • Musi być głośniejsze niż mowa
    • Musi być taki sam szum jak na wejściu
    • Musi pochodzić ze studia nagraniowego
    • Musi być średnia zerowa i niezależna od szumu wejściowego
  5. For absolute-error training, which conditional statistic is minimized?
    • The conditional median of the target given the input
    • Wariancja
    • Maksymalnie
    • The sum of all pixels
  6. Które metody rozszerzyły Noise2Noise na uczenie się na podstawie pojedynczych hałaśliwych próbek?
    • Word2Vec i BERT
    • Noise2Void i Noise2Self
    • Griffin-Lim i SoundStream
    • ResNet i VGG
  7. Which non-photographic reconstruction task did the Noise2Noise paper demonstrate?
    • Satellite orbit prediction
    • Particle-track reconstruction
    • Reconstruction of undersampled MRI scans
    • Speech translation
  8. Which condition can undermine Noise2Noise’s clean-target argument?
    • The model uses a convolutional layer
    • The input and target have different file names
    • The clean signal contains edges
    • The target corruption is predictably biased given the input corruption