Викторина, связанная с руководством · Средний Уровень

Викторина по генеративной визуализации в маске Muse

Просмотрите токенизацию изображений Muse, обработку замороженного текста, параллельное декодирование по маске, этапы разрешения, возможности редактирования и учет параметров.

Связанные направляющие путиГенеративная визуализация под маской Muse
Вопрос 1 из 8

Что Muse предсказывает во время генерации вместо шумоподавления пикселей?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что Muse предсказывает во время генерации вместо шумоподавления пикселей?
    • Необработанные значения пикселей RGB напрямую
    • Токены дискретных изображений в маске из кодовой книги VQGAN.
    • Векторные штрихи, как в программе векторной графики
    • Карты глубины, которые позже раскрашиваются.
  2. What feature contributes to Muse's reported sampling efficiency relative to the evaluated sequential image-token baseline?
    • Generating only monochrome outputs
    • Removing all text-encoder computation
    • Guaranteeing completion of every image in a single pass
    • Predicting multiple masked image tokens in each decoding round
  3. How does original Muse condition image prediction on its text prompt?
    • With embeddings from a pretrained frozen T5-XXL encoder
    • With an untrained word-frequency table
    • By reading only the first character
    • By turning off text processing during inference
  4. Какова роль доверительной перемаскировки в Muse?
    • Удаляет обучающие изображения низкого качества.
    • Он сжимает окончательный файл изображения
    • Он сохраняет достоверные прогнозы по токенам и повторно маскирует неопределенные для следующего раунда.
    • Он оценивает оперативность пользователя.
  5. How does Muse's two-stage token pipeline produce a higher-resolution image representation?
    • It enlarges the output only with a blur filter
    • It predicts all resolutions with no additional model
    • It discards the text condition before the second stage
    • A super-resolution token model uses the base representation to predict a higher-resolution token grid
  6. Для какого типа задач подходит Muse, поскольку он прогнозирует замаскированные области?
    • Аудио транскрипция
    • Окрашивание и перекрашивание
    • Табличный расчет
    • Только сжатие видео
  7. After Muse predicts its image-token grid, which component reconstructs pixels?
    • The text prompt's keyboard input handler
    • An AIS transponder
    • The corresponding VQGAN tokenizer decoder
    • The training-caption file name
  8. Why does a quoted Muse image-model parameter count omit some parameters used by the full generation system?
    • The frozen T5-XXL text encoder is an additional component
    • Every frozen model has zero stored parameters
    • The model count measures only PNG file bytes
    • The text encoder becomes the image tokenizer at runtime