Тест на основі генеративних моделей

Відповіді та пояснення з’являються під час виконання тесту.

1. Яку саме «оцінку» вивчають ці моделі?
   • Градієнт логарифмічної щільності ймовірності відносно вхідних даних
   • Оцінка якості від 0 до 100 для кожного зображення
   • Кількість завершених епох навчання
   • Мітка класифікації точки даних
2. Чому моделі на основі балів навчаються на даних, пошкоджених шумом у кількох масштабах?
   • Щоб зображення виглядали художньо
   • Тому що оцінку важко оцінити там, де чисті дані розріджені, а шум заповнює ці області
   • Щоб зменшити розмір файлу набору даних
   • Тому що шум прискорює графічний процесор
3. Яку процедуру вибірки використовували ранні моделі на основі балів для отримання даних?
   • Градієнтний спад на пікселях до фіксованого цільового зображення
   • Множення однієї матриці
   • Ланжевенівська динаміка — крокування по партитурі з додаванням шуму
   • Довільне кадрування та гортання
4. Який основний зв’язок встановив документ SDE 2021?
   • Що GAN завжди краще, ніж дифузія
   • Що нейронні мережі не можуть моделювати зображення
   • Такі оціночні моделі працюють лише у двох вимірах
   • Що дифузійні моделі та моделі на основі балів є двома видами одного безперервного процесу SDE
5. Яким чином передбачення шуму пов’язане з прогнозуванням оцінки під час зіставлення оцінок усунення шуму?
   • 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
   • Передбачити шум неможливо
   • Оцінка завжди дорівнює нулю для зашумлених даних
6. Що дає детермінований «потік ймовірностей ODE», що нелегко забезпечити чистою стохастичною вибіркою?
   • Більше енергоспоживання GPU
   • Точне обчислення ймовірності та детермінований шлях вибірки
   • Автоматичне маркування набору даних
   • Усунення необхідності будь-якої нейронної мережі
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