Questionário sobre crescimento progressivo de GANs

As respostas e explicações aparecem conforme você responde ao teste.

1. Como um GAN que cresce progressivamente começa a treinar?
   • Na resolução alvo total imediatamente
   • Em uma resolução muito baixa, como 4x4 pixels
   • Ao pré-treinar apenas o discriminador
   • Com um prompt de texto
2. Qual é o principal benefício de aumentar a resolução gradualmente?
   • Torna o treinamento mais estável e rápido do que o treinamento direto em alta resolução
   • Elimina a necessidade de um gerador
   • Elimina a necessidade de conjunto de dados
   • Garante zero artefatos
3. Quando uma nova camada de maior resolução é adicionada, como ela é introduzida?
   • Instantaneamente com força total
   • Somente no discriminador, nunca no gerador
   • Fade suavemente com um peso de mistura (alfa) que aumenta de 0 a 1
   • Retreinando a rede do zero
4. Por que são adicionadas camadas ao gerador e ao discriminador?
   • Porque o gerador sozinho não pode produzir cores
   • Para reduzir o tamanho do conjunto de dados
   • Somente para fins de visualização
   • Para manter as duas redes simétricas e equilibradas à medida que a resolução aumenta
5. Qual é o propósito da camada de desvio padrão do minilote introduzida no ProGAN?
   • Para aprimorar a imagem final
   • Para compactar o modelo
   • Para aumentar a variação da produção e desencorajar o colapso do modo
   • Para rotular as imagens de treinamento
6. Que desenvolvimento posterior reduziu a necessidade de um crescimento progressivo explícito?
   • A invenção do discriminador
   • StyleGAN2 mostrando uma arquitetura fixa com conexões saltadas/residuais pode corresponder à qualidade
   • Mudando para imagens em tons de cinza
   • Removendo totalmente o vetor latente
7. At alpha equal to zero during a ProGAN generator fade-in, which path supplies the blended output?
   • Only the newly added block at full strength
   • An unrelated pretrained text encoder
   • A random photograph taken from the test set
   • The previous lower-resolution path after upsampling
8. What is the original ProGAN equalized-learning-rate method intended to balance?
   • The effective scale of learning across layers through dynamic weight scaling
   • The number of captions assigned to each face image
   • The timestamp of every generated training sample
   • The count of output file formats across batches