Prueba de síntesis de imágenes semánticas SPADE

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

1. ¿Qué entrada utiliza SPADE para generar una imagen?
   • Un mapa de segmentación semántica que etiqueta cada región.
   • Una descripción hablada
   • Una sola foto de ejemplo
   • Una nube de puntos 3D
2. ¿Qué problema con la normalización anterior solucionó SPADE?
   • Hizo que las imágenes fueran demasiado coloridas.
   • Las capas de normalización eliminaron la información del diseño.
   • Usó muy poca memoria
   • No podía manejar imágenes en color.
3. En SPADE, la escala de normalización y los parámetros de cambio son:
   • Ruido aleatorio
   • Valores únicos compartidos en toda la imagen.
   • Tensores que varían espacialmente calculados a partir de la máscara de segmentación
   • Constantes fijas
4. ¿Qué famosa aplicación interactiva se basa en SPADE?
   • Photoshop
   • Google Traducir
   • Midjourney v1
   • GauGAN (NVIDIA Lienzo)
5. ¿Qué significa 'SP' en SPADE?
   • Espacialmente adaptable
   • Súper píxel
   • Agrupación espectral
   • Proyección escasa
6. Un beneficio práctico del diseño controlable de SPADE es:
   • 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
7. 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
8. 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