Kvíz spojený s průvodcem · Střední úroveň

GFPGAN kvíz na obnovu obličeje

Prohlédněte si předem trénovaný obličej GFPGAN, prolnutí funkcí, jednoprůchodovou obnovu a limity věrnosti rekonstruovaných detailů.

Související vodicí cestyObnova obličeje Gfpgan
Otázka 1 z 8

Jaký předtrénovaný model poskytuje GFPGAN „generativní obličejový předchozí“?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký předtrénovaný model poskytuje GFPGAN „generativní obličejový předchozí“?
    • StylGAN2
    • BERT
    • ResNet-50
    • Šeptej
  2. What is the role of GFPGAN’s CS-SFT layers?
    • They compress the image file
    • They blend prior features with input-specific information to balance realism and fidelity
    • They translate captions
    • They detect objects in the background
  3. What does the GFPGAN paper report about inference?
    • It needs exactly 50 optimization passes
    • It performs one pass per image pixel
    • It restores facial details in a single forward pass
    • It iterates until the input becomes a perfect photograph
  4. Jaký doprovodný model je často spárován s GFPGAN pro zpracování pozadí?
    • GPT-4
    • YOLO
    • Stabilní difúze XL
    • Skutečný-ESRGAN
  5. Co během tréninku GFPGAN NEPOŽADUJE?
    • Spárované vysoce kvalitní fotografie stejné konkrétní osoby
    • Nepřátelská ztráta
    • Předtrénovaný obličej
    • Ztráta vnímání
  6. Jaký je klíčový etický problém při restaurování ve stylu GFPGAN?
    • Spotřebovává příliš málo elektřiny
    • Dokáže vymyslet věrohodné detaily obličeje, které nebyly v originále
    • Funguje pouze na karikatury
    • Automaticky odstraní původní soubor
  7. What is the full name of GFPGAN’s CS-SFT component?
    • Color-Space Semantic Face Tracking
    • Convolutional Style-Filter Training
    • Channel-Split Spatial Feature Transform
    • Channel-Specific Super-Resolution Fourier Transform
  8. In blind face restoration, what does “blind” mean?
    • The face is hidden behind an object
    • The system only processes black-and-white images
    • The model never sees an input image
    • The exact degradation process is not known in advance