Тест, свързан с ръководство · Среден Ниво
Тест за синтез на семантично изображение SPADE
Тествайте как SPADE поддържа информацията за семантичното оформление активна в целия генератор на изображения и позволява редактируем синтез, обусловен от етикети.
Въпрос 1 на 8
Какъв вход използва SPADE за генериране на изображение?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Какъв вход използва SPADE за генериране на изображение?
- Семантична сегментационна карта, обозначаваща всеки регион
- Устно описание
- Една примерна снимка
- 3D облак от точки
- Какъв проблем с по-ранна нормализация коригира SPADE?
- Това направи изображенията твърде цветни
- Слоевете за нормализиране измиха информацията за оформлението
- Използва твърде малко памет
- Не можеше да обработва цветни изображения
- В SPADE мащабът на нормализиране и параметрите на смяна са:
- Случаен шум
- Единични стойности, споделени в цялото изображение
- Пространствено вариращи тензори, изчислени от маската за сегментиране
- Фиксирани константи
- Кое известно интерактивно приложение е изградено на SPADE?
- Фотошоп
- Google Превод
- Midjourney v1
- GauGAN (NVIDIA Canvas)
- Какво означава „SP“ в SPADE?
- Пространствено-адаптивен
- Супер пиксел
- Спектрално обединяване
- Разредена проекция
- Практическа полза от контролируемото оформление на SPADE е:
- Improving the input map’s pixel resolution without image synthesis
- Controlling where labeled scene elements appear in the generated image
- Translating every label into natural-language captions
- Compressing generated scenes into smaller files
- Why can SPADE-generated images be useful when training semantic-segmentation systems?
- The generated images contain only unlabeled audio
- The system predicts a transcript for every pixel
- The input layout already supplies pixel labels for the generated scene
- The layout removes all semantic categories
- What can happen when a designer changes a region label in a SPADE input map?
- It changes the audio sample rate
- It retrains the generator from scratch
- It removes the labels from all other regions
- The generator can synthesize the scene with the revised semantic region