Câu đố về mô hình sáng tạo dựa trên điểm số

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

1. Chính xác thì 'điểm' mà những mô hình này học được là gì?
   • Độ dốc của mật độ xác suất log đối với đầu vào
   • Đánh giá chất lượng từ 0 đến 100 cho mỗi hình ảnh
   • Số giai đoạn đào tạo đã hoàn thành
   • Nhãn phân loại của điểm dữ liệu
2. Tại sao các mô hình dựa trên điểm số được đào tạo về dữ liệu bị sai lệch với nhiễu ở nhiều thang đo?
   • Để làm cho hình ảnh trông nghệ thuật
   • Bởi vì điểm số khó ước tính ở những nơi dữ liệu sạch thưa thớt và có nhiều nhiễu ở những vùng đó
   • Để giảm kích thước tệp của tập dữ liệu
   • Vì tiếng ồn làm tăng tốc GPU
3. Những mô hình dựa trên điểm số ban đầu đã sử dụng quy trình lấy mẫu nào để tạo dữ liệu?
   • Độ dốc giảm dần trên các pixel về phía hình ảnh mục tiêu cố định
   • Phép nhân ma trận đơn
   • Động lực học Langevin - bước dọc theo bản nhạc trong khi thêm tiếng ồn
   • Cắt và lật ngẫu nhiên
4. Bài báo về điểm số-SDE năm 2021 đã thiết lập mối liên hệ chính nào?
   • GAN đó luôn tốt hơn sự phổ biến
   • Mạng lưới thần kinh không thể mô hình hóa hình ảnh
   • Mô hình điểm số đó chỉ hoạt động ở hai chiều
   • Các mô hình phổ biến và mô hình dựa trên điểm số là hai quan điểm của cùng một quy trình SDE liên tục
5. Việc dự đoán tiếng ồn liên quan như thế nào đến việc dự đoán điểm số trong việc giảm nhiễu đối sánh điểm số?
   • 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
   • Dự đoán tiếng ồn là không thể
   • Điểm luôn bằng 0 đối với dữ liệu bị nhiễu
6. 'Dòng xác suất ODE' mang tính xác định cho phép lấy mẫu ngẫu nhiên thuần túy không dễ dàng cung cấp điều gì?
   • Tiêu thụ điện năng GPU cao hơn
   • Tính toán khả năng chính xác và đường dẫn lấy mẫu xác định
   • Ghi nhãn tập dữ liệu tự động
   • Loại bỏ sự cần thiết của bất kỳ mạng lưới thần kinh nào
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