Тест, свързан с ръководство · Среден Ниво

LaMa Resolution-стабилен Inpainting тест

Научете как LaMa съчетава навивки на Фурие, силно възприемчиви загуби на поле и големи маски за рисуване на изображения и неговите докладвани граници.

Свързани ръководни пътекиLama Resolution Здраво Inpainting
Въпрос 1 на 8

Кой е характерният архитектурен компонент, който дава на LaMa глобалния изглед на изображение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Кой е характерният архитектурен компонент, който дава на LaMa глобалния изглед на изображение?
    • Бързи намотки на Фурие
    • Трансформаторни блокове за самовнимание
    • Повтарящи се LSTM слоеве
    • Капсулни мрежи
  2. Защо LaMa се справя с големи маски по-добре от много по-ранни модели за рисуване?
    • Работи само върху малки изображения
    • Неговото глобално възприемчиво поле му позволява да продължи структурата през големи дупки
    • Той копира произволно пиксели от краищата
    • Отказва да запълва маски над фиксиран размер
  3. What resolution behavior did the LaMa paper report?
    • It only works at one exact training resolution
    • It works only below the training resolution
    • It generalized to some resolutions higher than those used during training in the evaluated settings
    • It accepts no image input
  4. С какви текстури се справя особено добре LaMa благодарение на своята обработка в честотен домейн?
    • Чист случаен шум
    • Само плътни единични цветове
    • Само текстови знаци
    • Повтарящи се, периодични текстури като тухли или плочки
  5. Compared with large diffusion-based inpainting systems, how is LaMa commonly positioned?
    • As a comparatively efficient convolutional inpainting method
    • As a much slower model that requires a data center
    • As a video-only model
    • As a tool that never needs an image
  6. Коя загуба помага на LaMa да произвежда реалистично изглеждащи запълвания, а не размазани средни стойности?
    • Само една проста загуба на средноквадратична грешка на пиксел
    • Съперническа загуба, комбинирана със загуба на възприемане
    • Изобщо няма функция за загуба
    • Загуба, която измерва само размера на файла
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • Загуба на разпознаване на речта
    • A bitrate-only loss
    • A perceptual loss with a high receptive field
    • A loss that ignores image structure
  8. Who introduced LaMa in the 2021 paper?
    • Jonathan Frankle and Michael Carbin
    • Cees Taal and colleagues
    • Timothy Dozat and Christopher Manning
    • Roman Suvorov and colleagues