Kvíz spojený s průvodcem · Střední úroveň
LaMa Resolution-Robustní kvíz o malování
Zjistěte, jak LaMa kombinuje Fourierovy konvoluce, vysoké ztráty přijímacího pole a velké masky pro malování obrazu a jeho uváděné limity.
Otázka 1 z 8
Jaká je charakteristická architektonická složka, která dává LaMa globální pohled na obrázek?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jaká je charakteristická architektonická složka, která dává LaMa globální pohled na obrázek?
- Rychlé Fourierovy konvoluce
- Transformátorové samopozorné bloky
- Opakující se vrstvy LSTM
- Sítě kapslí
- Proč LaMa zvládá velké masky lépe než mnohé dřívější modely malby?
- Funguje pouze na malých obrázcích
- Jeho globální receptivní pole mu umožňuje pokračovat ve struktuře přes velké díry
- Kopíruje pixely náhodně od okrajů
- Odmítá vyplnit masky nad pevnou velikost
- 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
- Jaké textury LaMa díky zpracování ve frekvenční oblasti obzvláště dobře zvládá?
- Čistý náhodný šum
- Pouze jednobarevné jednobarevné
- Výhradně textové znaky
- Opakující se, periodické textury jako cihla nebo dlaždice
- 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
- Která ztráta pomáhá LaMa vytvářet realisticky vypadající výplně spíše než rozmazané průměry?
- Jednoduchá ztráta středních čtverců chyb v pixelech
- Nepřátelská ztráta kombinovaná se ztrátou vnímání
- Žádná ztrátová funkce
- Ztráta, která měří pouze velikost souboru
- What additional loss component does the LaMa paper emphasize for large-mask inpainting?
- Ztráta rozpoznávání řeči
- A bitrate-only loss
- A perceptual loss with a high receptive field
- A loss that ignores image structure
- 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