Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Bài kiểm tra nâng cao khả năng nói của Noise2Noise

Xem lại các giả định về tham nhũng theo cặp của Noise2Noise, cơ sở lý luận về giá trị trung bình có điều kiện của nó và các minh chứng nghiên cứu ngoài việc nâng cao khả năng nói.

Đường dẫn hướng dẫn liên quanCải thiện giọng nói Noise2noise
Câu hỏi 1 của 8

Tuyên bố cốt lõi đáng ngạc nhiên của Noise2Noise là gì?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Tuyên bố cốt lõi đáng ngạc nhiên của Noise2Noise là gì?
    • Bạn có thể khử nhiễu chỉ bằng cách sử dụng các ví dụ bị lỗi, không cần tham chiếu rõ ràng
    • Bạn phải luôn có âm thanh trung thực rõ ràng
    • Mạng lưới thần kinh không thể loại bỏ nhiễu
    • Chỉ có lời nói, không bao giờ có hình ảnh, mới có thể được khử nhiễu theo cách này
  2. Tại sao mạng không thể ghi nhớ tiếng ồn trong clip mục tiêu?
    • Tiếng ồn quá yên tĩnh để quan trọng
    • Tiếng ồn là ngẫu nhiên và độc lập nên không thể đoán trước được
    • Mạng quá nhỏ
    • Tiếng ồn luôn có cùng giá trị
  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. Điều gì phải đúng về tiếng ồn được thêm vào mục tiêu để thủ thuật có hiệu quả?
    • Nó phải to hơn lời nói
    • Nó phải có cùng tiếng ồn với đầu vào
    • Nó phải đến từ một phòng thu âm
    • Nó phải có giá trị trung bình bằng 0 và không phụ thuộc vào nhiễu của đầu vào
  5. For absolute-error training, which conditional statistic is minimized?
    • The conditional median of the target given the input
    • Phương sai
    • Tối đa
    • The sum of all pixels
  6. Những phương pháp nào mở rộng Noise2Noise sang việc học từ các mẫu nhiễu đơn lẻ?
    • Word2Vec và BERT
    • Noise2Void và Noise2Self
    • Griffin-Lim và SoundStream
    • ResNet và 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