Test cu modele generative bazate pe scor

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Care este exact „scorul” pe care îl învață aceste modele?
   • Gradientul densității log-probabilității în raport cu intrarea
   • O evaluare a calității de la 0 la 100 pentru fiecare imagine
   • Numărul de epoci de pregătire încheiate
   • Eticheta de clasificare a punctului de date
2. De ce sunt modelele bazate pe scoruri instruite pe date corupte cu zgomot la mai multe scale?
   • Pentru a face imaginile să pară artistice
   • Deoarece scorul este greu de estimat unde datele curate sunt rare, iar zgomotul umple acele regiuni
   • Pentru a reduce dimensiunea fișierului setului de date
   • Pentru că zgomotul accelerează GPU-ul
3. Ce procedură de eșantionare au folosit modelele timpurii bazate pe scoruri pentru a genera date?
   • Coborâre în degrade pe pixeli către o imagine țintă fixă
   • O singură înmulțire a matricei
   • Dinamica Langevin — parcurgerea partiturii în timp ce adăugați zgomot
   • Decuparea și răsturnarea aleatoare
4. Ce legătură majoră a stabilit lucrarea scor-SDE 2021?
   • Că GAN-urile sunt întotdeauna mai bune decât difuzia
   • Că rețelele neuronale nu pot modela imagini
   • Aceste modele de scor funcționează doar în două dimensiuni
   • Modelele de difuzie și modelele bazate pe scoruri sunt două vederi ale aceluiași proces SDE continuu
5. Cum se leagă predicția zgomotului cu estimarea scorului în potrivirea scorului de dezgomot?
   • 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
   • Prezicerea zgomotului este imposibilă
   • Scorul este întotdeauna zero pentru datele zgomote
6. Ce permite „ODE de flux probabilistic” deterministă pe care eșantionarea stocastică pură nu le oferă cu ușurință?
   • Consum mai mare de energie GPU
   • Calcul exact al probabilității și o cale de eșantionare deterministă
   • Etichetarea automată a seturilor de date
   • Eliminarea necesității oricărei rețele neuronale
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