Solidny quiz dotyczący odzyskiwania twarzy w CodeFormer

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. W jaki sposób CodeFormer zasadniczo opisuje problem przywracania twarzy?
   • Jako dyskretne przewidywanie kodu na podstawie wyuczonego słownika
   • Jako ciągła regresja pikseli
   • Jako transkrypcja audio
   • Jako podsumowanie tekstu
2. Jaki komponent przewiduje, jakich wpisów książki kodowej użyć?
   • Generator liczb losowych
   • Transformator
   • Drzewo decyzyjne
   • Transformata Fouriera
3. Why can CodeFormer’s discrete codebook help with severely degraded faces?
   • It converts images to grayscale
   • Usuwa wszystkie informacje o kolorach
   • 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
   • Liczba wykrytych twarzy
   • The trade-off between fidelity to the input and restored visual quality
5. W którym miejscu wydano CodeFormer?
   • NeuroIPS 2022
   • SIGGRAF 1999
   • Magazyn kulinarny
   • Nigdy nie został opublikowany
6. Z jakiej techniki wywodzi się nauka książki kodowej?
   • Regresja liniowa
   • Model skwantowany wektorowo w stylu VQGAN
   • Relacyjna baza danych
   • Makro arkusza kalkulacyjnego
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