基于分数的生成模型测验

当您参加测验时，就会出现答案和解释。

1. 这些模型学习的“分数”到底是多少？
   • 对数概率密度相对于输入的梯度
   • 每张图像的质量等级从 0 到 100
   • 完成的训练周期数
   • 数据点的分类标签
2. 为什么基于评分的模型要在多个尺度上用被噪声破坏的数据进行训练？
   • 让图像看起来更有艺术感
   • 因为在干净数据稀疏的地方很难估计分数，并且这些区域充满了噪声
   • 减小数据集的文件大小
   • 因为噪声会加速 GPU
3. 早期基于评分的模型使用哪种采样程序来生成数据？
   • 像素向固定目标图像的梯度下降
   • 单个矩阵乘法
   • Langevin Dynamics——沿着乐谱步进，同时添加噪音
   • 随机裁剪和翻转
4. 2021年的分数-SDE论文建立了哪些主要联系？
   • GAN 总是比扩散更好
   • 神经网络无法对图像进行建模
   • 该评分模型仅适用于二维
   • 扩散模型和基于评分的模型是同一连续 SDE 过程的两种视图
5. 预测噪声与预测去噪分数匹配中的分数有何关系？
   • 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
   • 预测噪声是不可能的
   • 对于噪声数据，分数始终为零
6. 确定性“概率流常微分方程”能够实现纯随机采样无法轻易提供的什么功能？
   • GPU功耗更高
   • 精确的似然计算和确定性采样路径
   • 自动数据集标记
   • 消除对任何神经网络的需求
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