Quiz CodeFormer robuste sur la récupération du visage

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Comment CodeFormer encadre-t-il fondamentalement le problème de la restauration du visage ?
   • En tant que prédiction de code discret à partir d'un livre de codes appris
   • Comme régression continue des pixels
   • Comme transcription audio
   • Comme résumé de texte
2. Quel composant prédit quelles entrées du livre de codes utiliser ?
   • Un générateur de nombres aléatoires
   • Un transformateur
   • Un arbre de décision
   • Une transformée de Fourier
3. Why can CodeFormer’s discrete codebook help with severely degraded faces?
   • It converts images to grayscale
   • Il supprime toutes les informations de couleur
   • It constrains predictions to a learned vocabulary of facial visual atoms
   • It requires the input to be pristine
4. What does CodeFormer’s controllable feature transformation setting adjust?
   • Image resolution only
   • File format
   • Le nombre de visages détectés
   • The trade-off between fidelity to the input and restored visual quality
5. Dans quel lieu CodeFormer a-t-il été publié ?
   • NeuroIPS 2022
   • SIGGRAPHE 1999
   • Un magazine de cuisine
   • Il n'a jamais été publié
6. De quelle technique découle la formation au livre de codes ?
   • Régression linéaire
   • Un modèle quantifié vectoriel de style VQGAN
   • Une base de données relationnelle
   • Une macro de feuille de calcul
7. What two needs does the CodeFormer paper identify for blind face restoration guidance?
   • Changing image format and compressing files
   • Detecting camera brand and lens type
   • Improving the degraded-input mapping and complementing details lost from the input
   • Removing color and resizing the image
8. What kinds of test data did the CodeFormer paper use in its reported experiments?
   • Only hand-drawn illustrations
   • Only pristine studio portraits
   • Audio and text datasets
   • Synthetic and real-world degraded faces