Тест на покращення мовлення Noise2Noise

Відповіді та пояснення з’являються під час виконання тесту.

1. Яке несподіване основне твердження Noise2Noise?
   • Ви можете зняти шум, використовуючи лише пошкоджені приклади, чисті посилання не потрібні
   • Завжди має бути чистий і правдивий звук
   • Шум неможливо видалити нейронними мережами
   • Лише мова, а не зображення, можуть бути зменшені таким чином
2. Чому мережа не може просто запам'ятати шум у цільовому кліпі?
   • Шум надто тихий, щоб мати значення
   • Шум є випадковим і незалежним, тому він непередбачуваний
   • Мережа занадто мала
   • Шум завжди має однакове значення
3. For squared-error training, what conditional statistic minimizes expected loss?
   • The largest target value
   • The unconditional variance
   • The conditional mean of the target given the input
   • A randomly selected target frame
4. Що має бути правдою щодо шуму, доданого до цілі, щоб трюк спрацював?
   • Це повинно бути голосніше, ніж мова
   • Він повинен бути таким же шумом, як і вхід
   • Він повинен бути зі студії звукозапису
   • Він має бути нульовим середнім і не залежати від шуму вхідного сигналу
5. For absolute-error training, which conditional statistic is minimized?
   • The conditional median of the target given the input
   • Дисперсія
   • Максимум
   • The sum of all pixels
6. Які методи розширили Noise2Noise до вивчення окремих шумових зразків?
   • Word2Vec і BERT
   • Noise2Void і Noise2Self
   • Гріффін-Лім і Саундстрім
   • ResNet і VGG
7. Which non-photographic reconstruction task did the Noise2Noise paper demonstrate?
   • Satellite orbit prediction
   • Particle-track reconstruction
   • Reconstruction of undersampled MRI scans
   • Speech translation
8. Which condition can undermine Noise2Noise’s clean-target argument?
   • The model uses a convolutional layer
   • The input and target have different file names
   • The clean signal contains edges
   • The target corruption is predictably biased given the input corruption