Mit dem Guide verknüpftes Quiz · Mittel Ebene

LaMa Resolution – Robustes Inpainting-Quiz

Erfahren Sie, wie LaMa Fourier-Faltungen, hohe Empfangsfeldverluste und große Masken für das Bild-Inpainting und die gemeldeten Grenzen kombiniert.

Verwandte FührungspfadeLama Resolution Robustes Inpainting
Frage 1 von 8

Was ist die charakteristische architektonische Komponente, die LaMa seine globale Sicht auf ein Bild verleiht?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist die charakteristische architektonische Komponente, die LaMa seine globale Sicht auf ein Bild verleiht?
    • Schnelle Fourier-Faltungen
    • Transformer blockiert die Selbstaufmerksamkeit
    • Wiederkehrende LSTM-Schichten
    • Kapselnetzwerke
  2. Warum kommt LaMa mit großen Masken besser zurecht als viele frühere Inpainting-Modelle?
    • Es funktioniert nur bei winzigen Bildern
    • Sein globales Empfangsfeld ermöglicht es ihm, die Struktur über große Löcher hinweg fortzusetzen
    • Es kopiert Pixel zufällig von den Rändern
    • Es weigert sich, Masken über einer festgelegten Größe auszufüllen
  3. Welches Auflösungsverhalten berichtete das LaMa-Paper?
    • 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. Mit welchen Texturen kommt LaMa dank seiner Frequenzbereichsverarbeitung besonders gut zurecht?
    • Reines Zufallsrauschen
    • Nur einfarbige Unifarben
    • Ausschließlich Textzeichen
    • Sich wiederholende, periodische Texturen wie Ziegel oder Fliesen
  5. Wie wird LaMa im Vergleich zu großen diffusionsbasierten Inpainting-Systemen üblicherweise positioniert?
    • 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. Welcher Verlust hilft LaMa dabei, realistisch aussehende Füllungen statt verschwommener Durchschnittswerte zu erzeugen?
    • Ein einfacher Verlust des mittleren quadratischen Fehlers der Pixel allein
    • Ein gegnerischer Verlust verbunden mit einem Wahrnehmungsverlust
    • Überhaupt keine Verlustfunktion
    • Ein Verlust, der nur die Dateigröße misst
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • Ein Verlust der Spracherkennung
    • 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