Test legat de ghid · Mediu Nivel

Test VQGAN și Codebook de sinteză a imaginilor

Examinați jetoanele de coduri discrete ale VQGAN, pierderile adverse și perceptuale și modul în care transformatoarele folosesc grile compacte pentru a sintetiza imagini de înaltă rezoluție.

Căi de ghidare aferenteSinteza imaginilor Vqgan și Codebook
Întrebare 1 de 8

Ce folosește VQGAN pentru a reprezenta o imagine ca simboluri discrete?

Previzualizează fiecare întrebare8 întrebări

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

  1. Ce folosește VQGAN pentru a reprezenta o imagine ca simboluri discrete?
    • O carte de coduri învățată de vectori la care sunt fixate ieșirile codificatorului
    • O listă de nume de fișiere
    • Numai pixeli RGB bruti
    • Un singur număr pe imagine
  2. What did the original VQGAN paper report gaining from adversarial and perceptual training?
    • To guarantee every VQVAE reconstruction is blurry
    • To preserve perceptual quality at increased compression in the original paper’s evaluated settings
    • To eliminate the need for a learned codebook
    • To make all images use the same token grid regardless of dataset
  3. Odată ce o imagine este o secvență de jetoane, ce model generează imagini noi?
    • O foaie de calcul
    • Un calculator
    • Un transformator autoregresiv care prezice simboluri precum cuvinte
    • Un driver de imprimantă
  4. Ce tehnică permite gradienților să curgă prin etapa de cuantificare nediferențiabilă?
    • Abandonul
    • Normalizarea loturilor
    • Decupare aleatorie
    • Estimatorul direct
  5. Ce tendință celebră de artă AI a ajutat VQGAN să creeze în 2021?
    • VQGAN+CLIP art generativ
    • Imprimare 3D
    • Clonarea vocii
    • Automatizarea foilor de calcul
  6. Care este o provocare cunoscută cu codurile în stil VQGAN?
    • Ei nu pot stoca niciun vector
    • Colaps din cartea de coduri, unde multe coduri rămân neutilizate
    • Nu necesită pregătire
    • Funcționează doar pe audio
  7. Why does VQGAN use a compact latent token grid for high-resolution images?
    • It removes the need for an image decoder
    • It makes every codebook entry a full-resolution image
    • It shortens the transformer sequence so modeling image composition is more tractable
    • It converts the transformer into a pixel-level convolution
  8. Which loss does the VQGAN guide pair with adversarial training to improve reconstruction quality?
    • A language-model next-token loss
    • A contrastive audio-text loss
    • A reinforcement-learning reward from human rankings
    • Pierderea perceptivă