Maswali ya Miundo ya Kuzalisha yenye Alama

Majibu na maelezo huonekana unapojibu maswali.

1. Je, ni 'alama' gani hasa ambayo wanamitindo hawa hujifunza?
   • Kiwango cha msongamano wa uwezekano wa logi kuhusiana na ingizo
   • Ukadiriaji wa ubora kutoka 0 hadi 100 kwa kila picha
   • Idadi ya vipindi vya mafunzo vimekamilika
   • Lebo ya uainishaji wa sehemu ya data
2. Kwa nini mifano ya alama hufunzwa kwenye data iliyoharibika kwa kelele katika mizani nyingi?
   • Ili kufanya picha zionekane za kisanii
   • Kwa sababu alama ni ngumu kukadiria ambapo data safi ni chache, na kelele hujaa katika maeneo hayo
   • Ili kupunguza saizi ya faili ya seti ya data
   • Kwa sababu kelele huongeza kasi ya GPU
3. Ni utaratibu gani wa sampuli ambao modeli za msingi wa alama zilitumia kutoa data?
   • Mteremko wa kushuka kwenye pikseli kuelekea picha inayolengwa isiyobadilika
   • Kuzidisha matrix moja
   • Mienendo ya Langevin - kwenda kwenye alama huku ukiongeza kelele
   • Kupunguza na kugeuza bila mpangilio
4. Karatasi ya alama-SDE ya 2021 ilianzisha uhusiano gani mkuu?
   • Kwamba GANs daima ni bora kuliko uenezaji
   • Kwamba mitandao ya neural haiwezi kuiga picha
   • Mifano hiyo ya alama hufanya kazi katika vipimo viwili tu
   • Miundo hiyo ya uenezaji na miundo kulingana na alama ni maoni mawili ya mchakato sawa wa SDE
5. Kelele za kutabiri zinahusiana vipi na kutabiri alama katika kulinganisha alama za denoising?
   • 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
   • Kutabiri kelele haiwezekani
   • Alama daima ni sifuri kwa data iliyopigwa kelele
6. Je, 'uwezekano wa mtiririko wa ODE' wa kubainisha huwezesha nini kwamba sampuli safi za kistochastiki haitoi kwa urahisi?
   • Matumizi ya nguvu ya juu ya GPU
   • Uhesabuji wa uwezekano kamili na njia ya sampuli ya kuamua
   • Uwekaji lebo otomatiki wa mkusanyiko wa data
   • Kuondolewa kwa hitaji la mtandao wowote wa neva
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