Викторина по генеративным моделям на основе оценок

Ответы и пояснения появляются по мере прохождения теста.

1. Каков именно «балл», который изучают эти модели?
   • Градиент логарифмической плотности вероятности относительно входных данных
   • Оценка качества от 0 до 100 для каждого изображения.
   • Количество завершенных эпох обучения
   • Классификационная метка точки данных
2. Почему модели на основе оценок обучаются на данных, искаженных шумом в нескольких масштабах?
   • Чтобы изображения выглядели художественно
   • Потому что оценку трудно оценить там, где чистых данных мало, и эти области заполняются шумом.
   • Чтобы уменьшить размер файла набора данных
   • Потому что шум ускоряет работу графического процессора
3. Какую процедуру выборки использовали ранние модели, основанные на баллах, для генерации данных?
   • Градиентный спуск по пикселям к фиксированному целевому изображению
   • Одно матричное умножение
   • Динамика Ланжевена — шаг по партитуре с добавлением шума
   • Случайное обрезка и переворачивание
4. Какую важную связь установил документ SDE-SDE за 2021 год?
   • Что GAN всегда лучше диффузии
   • Нейронные сети не могут моделировать изображения
   • Эти модели оценки работают только в двух измерениях.
   • Диффузионные модели и модели на основе оценок представляют собой два взгляда на один и тот же непрерывный процесс SDE.
5. Как прогнозирование шума связано с прогнозированием оценки при сопоставлении оценок с шумоподавлением?
   • 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
   • Предсказать шум невозможно
   • Оценка всегда равна нулю для зашумленных данных.
6. Что дает детерминистическая «ОДУ потока вероятностей», которую нелегко обеспечить чистой стохастической выборкой?
   • Более высокое энергопотребление графического процессора
   • Точный расчет правдоподобия и детерминированный путь выборки
   • Автоматическая маркировка наборов данных
   • Удаление необходимости в какой-либо нейронной сети
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