Вікторина, пов’язана з посібником · Середній Рівень

Вікторина з генеративного зображення в масці Muse

Перегляньте токенізацію зображень Muse, кондиціонування замороженого тексту, паралельне декодування з масками, етапи вирішення, можливості редагування та облік параметрів.

Пов'язані напрямні шляхиMuse Masked Generative Imaging
Питання 1 з 8

Що передбачає Muse під час генерації замість зменшення шуму пікселів?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що передбачає Muse під час генерації замість зменшення шуму пікселів?
    • Необроблені значення пікселів RGB безпосередньо
    • Замасковані дискретні зображення маркерів із кодової книги VQGAN
    • Векторні штрихи, як у програмі векторної графіки
    • Карти глибини, які пізніше забарвлюються
  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. Яка роль ремаскінгу на основі впевненості в Muse?
    • Він видаляє неякісні навчальні зображення
    • Він стискає остаточний файл зображення
    • Він зберігає впевнені прогнози токенів і повторно маскує невизначені для наступного раунду
    • Він оцінює оперативну якість користувача
  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 якого типу завдань природно підходить Muse, оскільки він передбачає замасковані регіони?
    • Транскрипція аудіо
    • Живопис і малювання
    • Розрахунок електронної таблиці
    • Лише стиснення відео
  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