แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ
แบบทดสอบแบบจำลองการกำเนิดตามคะแนน
ฟังก์ชันคะแนนการทดสอบ การจับคู่คะแนน denoising การสุ่มตัวอย่าง Langevin และมุมมอง SDE ตามเวลาย้อนกลับของการสร้างข้อมูลจากสัญญาณรบกวน
คำถาม 1 ของ 8
'คะแนน' ที่โมเดลเหล่านี้เรียนรู้คืออะไรกันแน่?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- 'คะแนน' ที่โมเดลเหล่านี้เรียนรู้คืออะไรกันแน่?
- การไล่ระดับสีของความหนาแน่นของความน่าจะเป็นของบันทึกเทียบกับอินพุต
- คะแนนคุณภาพตั้งแต่ 0 ถึง 100 สำหรับแต่ละภาพ
- จำนวนยุคการฝึกอบรมที่เสร็จสมบูรณ์
- ป้ายจำแนกประเภทของจุดข้อมูล
- เหตุใดโมเดลตามคะแนนจึงได้รับการฝึกอบรมเกี่ยวกับข้อมูลที่เสียหายจากสัญญาณรบกวนในหลายระดับ
- เพื่อให้ภาพดูมีศิลปะ
- เนื่องจากคะแนนนั้นยากที่จะประเมินได้ว่าบริเวณใดที่ข้อมูลที่สะอาดกระจัดกระจาย และมีการเติมสัญญาณรบกวนในภูมิภาคเหล่านั้น
- เพื่อลดขนาดไฟล์ของชุดข้อมูล
- เพราะเสียงรบกวนจะทำให้ GPU เร็วขึ้น
- ขั้นตอนการสุ่มตัวอย่างแบบใดที่แบบจำลองตามคะแนนในช่วงแรกๆ ใช้เพื่อสร้างข้อมูล
- การไล่ระดับสีบนพิกเซลไปยังรูปภาพเป้าหมายคงที่
- การคูณเมทริกซ์เดี่ยว
- Langevin Dynamics — ก้าวตามคะแนนไปพร้อมกับเพิ่มเสียงรบกวน
- การครอบตัดและการพลิกแบบสุ่ม
- รายงานคะแนน-SDE ปี 2021 มีความเชื่อมโยงที่สำคัญอะไรบ้าง
- GAN นั้นดีกว่าการแพร่กระจายเสมอ
- โครงข่ายประสาทเทียมนั้นไม่สามารถจำลองภาพได้
- โมเดลคะแนนนั้นใช้งานได้ในสองมิติเท่านั้น
- แบบจำลองการแพร่กระจายและแบบจำลองตามคะแนนนั้นเป็นสองมุมมองของกระบวนการ SDE ต่อเนื่องเดียวกัน
- 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
- 'กระแสความน่าจะเป็น ODE' ที่กำหนดขึ้นช่วยให้การสุ่มตัวอย่างบริสุทธิ์ไม่ได้ให้มาอย่างง่ายดายอย่างไร
- การใช้พลังงาน GPU ที่สูงขึ้น
- การคำนวณความน่าจะเป็นที่แน่นอนและเส้นทางการสุ่มตัวอย่างที่กำหนด
- การติดฉลากชุดข้อมูลอัตโนมัติ
- ขจัดความจำเป็นในการใช้โครงข่ายประสาทเทียมใดๆ
- 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
- 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