Quiz dotyczący modeli generatywnych opartych na wynikach

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaki dokładnie jest „punkt”, którego uczą się te modele?
   • Gradient gęstości logarytmicznej prawdopodobieństwa w odniesieniu do danych wejściowych
   • Ocena jakości od 0 do 100 dla każdego obrazu
   • Liczba ukończonych epok szkoleniowych
   • Etykieta klasyfikacyjna punktu danych
2. Dlaczego modele oparte na wynikach są szkolone na danych zniekształconych szumem w wielu skalach?
   • Aby obrazy wyglądały artystycznie
   • Ponieważ wynik jest trudny do oszacowania tam, gdzie czyste dane są rzadkie, a w tych regionach występuje szum
   • Aby zmniejszyć rozmiar pliku zestawu danych
   • Ponieważ hałas przyspiesza procesor graficzny
3. Z jakiej procedury próbkowania korzystały wczesne modele oparte na wynikach do generowania danych?
   • Gradientowe opadanie pikseli w kierunku stałego obrazu docelowego
   • Pojedyncze mnożenie macierzy
   • Dynamika Langevina — kroczenie wzdłuż partytury z dodawaniem szumu
   • Losowe kadrowanie i odwracanie
4. Jakie główne powiązanie ustalono w artykule dotyczącym wyników SDE z 2021 r.?
   • Że sieci GAN są zawsze lepsze niż dyfuzja
   • Że sieci neuronowe nie mogą modelować obrazów
   • Te modele punktacji działają tylko w dwóch wymiarach
   • Że modele dyfuzji i modele oparte na wynikach to dwa spojrzenia na ten sam ciągły proces SDE
5. W jaki sposób przewidywanie szumu wiąże się z przewidywaniem wyniku w procesie odszumiania dopasowywania wyników?
   • The conditional denoising-score target is −ε/σ for standardized Gaussian noise; the model estimates the noisy-data score
   • Noise prediction and score estimation are unrelated
   • Przewidywanie hałasu jest niemożliwe
   • Wynik jest zawsze zerowy dla zaszumionych danych
6. Co umożliwia deterministyczny „ODE przepływu prawdopodobieństwa”, czego nie zapewnia łatwo czyste próbkowanie stochastyczne?
   • Wyższe zużycie energii przez GPU
   • Dokładne obliczenie wiarygodności i deterministyczna ścieżka próbkowania
   • Automatyczne etykietowanie zbioru danych
   • Eliminacja konieczności stosowania jakiejkolwiek sieci neuronowej
7. In score-based generation, what does the reverse-time SDE do?
   • It converts image labels into captions
   • It adds noise to an already generated output only
   • It transforms a prior noise distribution back toward the data distribution
   • It estimates the class label of each pixel
8. In a score-based MRI reconstruction method, how can a learned image prior help recover an undersampled scan?
   • Use the prior alone and ignore measured k-space data
   • Combine the learned score prior with the measurement constraint during posterior sampling
   • Replace all measurements with random noise
   • Treat the score as a diagnosis of the patient