Gids-gekoppelde quiz · Middelmatig Niveau

LaMa Resolutie-Robuuste Inpainting Quiz

Leer hoe LaMa Fourier-convoluties, hoge receptieve veldverliezen en grote maskers combineert voor het inkleuren van afbeeldingen en de gerapporteerde limieten ervan.

Vraag 1 van 8

Wat is de kenmerkende architecturale component die LaMa zijn globale kijk op een beeld geeft?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Wat is de kenmerkende architecturale component die LaMa zijn globale kijk op een beeld geeft?
    • Snelle Fourier-convoluties
    • Transformator-zelfaandachtsblokken
    • Terugkerende LSTM-lagen
    • Capsule-netwerken
  2. Waarom kan LaMa beter met grote maskers omgaan dan veel eerdere inpainting-modellen?
    • Het werkt alleen op kleine afbeeldingen
    • Dankzij het mondiale ontvankelijke veld kan de structuur over grote gaten heen worden voortgezet
    • Het kopieert pixels willekeurig vanaf de randen
    • Het weigert maskers boven een vaste maat te vullen
  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. Met wat voor soort texturen kan LaMa bijzonder goed omgaan dankzij de frequentiedomeinverwerking?
    • Puur willekeurig geluid
    • Alleen effen enkele kleuren
    • Exclusief teksttekens
    • Repetitieve, periodieke texturen zoals baksteen of tegels
  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. Welk verlies helpt LaMa om realistisch ogende vullingen te produceren in plaats van wazige gemiddelden?
    • Alleen al een eenvoudig verlies van de gemiddelde kwadratische fout van de pixel
    • Een vijandelijk verlies gecombineerd met een perceptueel verlies
    • Helemaal geen verliesfunctie
    • Een verlies dat alleen de bestandsgrootte meet
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • Een verlies van spraakherkenning
    • 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