แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบแบบจำลองการกำเนิดตามคะแนน

ฟังก์ชันคะแนนการทดสอบ การจับคู่คะแนน denoising การสุ่มตัวอย่าง Langevin และมุมมอง SDE ตามเวลาย้อนกลับของการสร้างข้อมูลจากสัญญาณรบกวน

เส้นทางแนะนำที่เกี่ยวข้องแบบจำลองการสร้างตามคะแนน
คำถาม 1 ของ 8

'คะแนน' ที่โมเดลเหล่านี้เรียนรู้คืออะไรกันแน่?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. 'คะแนน' ที่โมเดลเหล่านี้เรียนรู้คืออะไรกันแน่?
    • การไล่ระดับสีของความหนาแน่นของความน่าจะเป็นของบันทึกเทียบกับอินพุต
    • คะแนนคุณภาพตั้งแต่ 0 ถึง 100 สำหรับแต่ละภาพ
    • จำนวนยุคการฝึกอบรมที่เสร็จสมบูรณ์
    • ป้ายจำแนกประเภทของจุดข้อมูล
  2. เหตุใดโมเดลตามคะแนนจึงได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่เสียหายจากสัญญาณรบกวนในหลายระดับ
    • เพื่อให้ภาพดูมีศิลปะ
    • เนื่องจากคะแนนนั้นยากที่จะประเมินได้ว่าบริเวณใดที่ข้อมูลที่สะอาดกระจัดกระจาย และมีการเติมสัญญาณรบกวนในภูมิภาคเหล่านั้น
    • เพื่อลดขนาดไฟล์ของชุดข้อมูล
    • เพราะเสียงรบกวนจะทำให้ GPU เร็วขึ้น
  3. ขั้นตอนการสุ่มตัวอย่างแบบใดที่แบบจำลองตามคะแนนในช่วงแรกๆ ใช้เพื่อสร้างข้อมูล
    • การไล่ระดับสีบนพิกเซลไปยังรูปภาพเป้าหมายคงที่
    • การคูณเมทริกซ์เดี่ยว
    • Langevin Dynamics — ก้าวตามคะแนนไปพร้อมกับเพิ่มเสียงรบกวน
    • การครอบตัดและการพลิกแบบสุ่ม
  4. รายงานคะแนน-SDE ปี 2021 มีความเชื่อมโยงที่สำคัญอะไรบ้าง
    • GAN นั้นดีกว่าการแพร่กระจายเสมอ
    • โครงข่ายประสาทเทียมนั้นไม่สามารถจำลองภาพได้
    • โมเดลคะแนนนั้นใช้งานได้ในสองมิติเท่านั้น
    • แบบจำลองการแพร่กระจายและแบบจำลองตามคะแนนนั้นเป็นสองมุมมองของกระบวนการ SDE ต่อเนื่องเดียวกัน
  5. การทำนายสัญญาณรบกวนเกี่ยวข้องกับการทำนายคะแนนในการจับคู่คะแนนแบบ denoising อย่างไร
    • 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
    • การคาดการณ์เสียงรบกวนเป็นไปไม่ได้
    • คะแนนจะเป็นศูนย์เสมอสำหรับข้อมูลที่ถูกรบกวน
  6. 'กระแสความน่าจะเป็น ODE' ที่กำหนดขึ้นช่วยให้การสุ่มตัวอย่างบริสุทธิ์ไม่ได้ให้มาอย่างง่ายดายอย่างไร
    • การใช้พลังงาน GPU ที่สูงขึ้น
    • การคำนวณความน่าจะเป็นที่แน่นอนและเส้นทางการสุ่มตัวอย่างที่กำหนด
    • การติดฉลากชุดข้อมูลอัตโนมัติ
    • ขจัดความจำเป็นในการใช้โครงข่ายประสาทเทียมใดๆ
  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