引导式测验 · 中等 等级

VQGAN 和 Codebook 图像合成测验

回顾 VQGAN 的离散码本标记、对抗性和感知损失，以及 Transformer 如何使用紧凑网格来合成高分辨率图像。

相关引导路径Vqgan和Codebook图像合成
问题 1 的 8

VQGAN 使用什么将图像表示为离散标记？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. VQGAN 使用什么将图像表示为离散标记？
    • 编码器输出捕捉到的向量的学习码本
    • 文件名列表
    • 仅原始 RGB 像素
    • 每幅图像一个数字
  2. What did the original VQGAN paper report gaining from adversarial and perceptual training?
    • To guarantee every VQVAE reconstruction is blurry
    • To preserve perceptual quality at increased compression in the original paper’s evaluated settings
    • To eliminate the need for a learned codebook
    • To make all images use the same token grid regardless of dataset
  3. 一旦图像是标记序列，什么模型会生成新图像？
    • 电子表格
    • 计算器
    • 预测单词等标记的自回归转换器
    • 打印机驱动程序
  4. 什么技术让梯度流经不可微的量化步骤？
    • 辍学
    • 批量归一化
    • 随机裁剪
    • 直通式估计器
  5. VQGAN在2021年助力打造了哪些著名的AI艺术潮流？
    • VQGAN+CLIP生成艺术
    • 3D打印
    • 语音克隆
    • 电子表格自动化
  6. VQGAN 式码本的已知挑战是什么？
    • 他们不能存储任何向量
    • 密码本崩溃，许多密码未被使用
    • 他们不需要培训
    • 他们只适用于音频
  7. Why does VQGAN use a compact latent token grid for high-resolution images?
    • It removes the need for an image decoder
    • It makes every codebook entry a full-resolution image
    • It shortens the transformer sequence so modeling image composition is more tractable
    • It converts the transformer into a pixel-level convolution
  8. Which loss does the VQGAN guide pair with adversarial training to improve reconstruction quality?
    • A language-model next-token loss
    • A contrastive audio-text loss
    • A reinforcement-learning reward from human rankings
    • 知觉丧失