Cuestionario vinculado a una guía · Medio Nivel

Resolución LaMa: cuestionario robusto sobre pintura

Descubra cómo LaMa combina convoluciones de Fourier, pérdidas de campo altamente receptivo y máscaras grandes para pintar imágenes y sus límites informados.

Rutas de guía relacionadasLama Resolución Robusta Inpainting
Pregunta 1 de 8

¿Cuál es el componente arquitectónico característico que le da a LaMa su visión global de una imagen?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cuál es el componente arquitectónico característico que le da a LaMa su visión global de una imagen?
    • Convoluciones rápidas de Fourier
    • Bloques de autoatención de transformadores
    • Capas LSTM recurrentes
    • Redes cápsula
  2. ¿Por qué LaMa maneja mejor las máscaras grandes que muchos modelos anteriores en pintura?
    • Sólo funciona en imágenes pequeñas.
    • Su campo receptivo global le permite continuar la estructura a través de grandes agujeros.
    • Copia píxeles aleatoriamente desde los bordes.
    • Se niega a llenar máscaras por encima de un tamaño fijo
  3. ¿Qué comportamiento de resolución informó el artículo de LaMa?
    • 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. ¿Qué tipo de texturas maneja LaMa especialmente bien gracias a su procesamiento en el dominio de la frecuencia?
    • Puro ruido aleatorio
    • Solo colores sólidos
    • Caracteres de texto exclusivamente
    • Texturas repetitivas y periódicas como ladrillo o teja.
  5. En comparación con los sistemas grandes de inpainting basados en difusión, ¿cómo se suele posicionar LaMa?
    • 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. ¿Qué pérdida ayuda a LaMa a producir rellenos de apariencia realista en lugar de promedios borrosos?
    • Una simple pérdida de error cuadrático medio de píxeles
    • Una pérdida adversaria combinada con una pérdida perceptual
    • Sin función de pérdida en absoluto
    • Una pérdida que sólo mide el tamaño del archivo
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • Una pérdida de reconocimiento del habla.
    • 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