Útmutatóhoz kapcsolódó kvíz · Közepes Szint

LaMa Resolution-Robust Painting Quiz

Learn how LaMa combines Fourier convolutions, high-receptive-field losses, and large masks for image inpainting and its reported limits.

Kapcsolódó útmutató utakLama Resolution Robusztus festés
kérdés 1 -ból 8

Mi az a jellegzetes építészeti komponens, amely megadja a LaMa-nak a kép globális képét?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi az a jellegzetes építészeti komponens, amely megadja a LaMa-nak a kép globális képét?
    • Gyors Fourier-konvolúciók
    • Transzformátor önfigyelő blokkok
    • Ismétlődő LSTM rétegek
    • Kapszula hálózatok
  2. Miért kezeli jobban a LaMa a nagy maszkokat, mint sok korábbi festőmodell?
    • Csak apró képeken működik
    • Globális befogadó mezője lehetővé teszi, hogy nagy lyukakon keresztül folytassa a szerkezetét
    • A képpontokat véletlenszerűen másolja a szélekről
    • Nem hajlandó kitölteni a fix méret feletti maszkokat
  3. 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
  4. Milyen textúrákat tud a LaMa különösen jól kezelni a frekvencia-tartomány feldolgozásának köszönhetően?
    • Tiszta véletlenszerű zaj
    • Csak egyszínű egyszínű
    • Kizárólag szöveges karakterek
    • Ismétlődő, időszakos textúrák, például tégla vagy csempe
  5. 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
  6. Melyik veszteség segít LaMa-nak életszerűnek tűnő kitöltéseket produkálni az elmosódott átlagok helyett?
    • Egy egyszerű képpont-négyzet-hiba veszteség önmagában
    • A kontradiktórius veszteség észlelési veszteséggel párosul
    • Egyáltalán nincs veszteség funkció
    • Veszteség, amely csak a fájlméretet méri
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • A beszédfelismerés elvesztése
    • 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