Questionário de recuperação facial robusta do CodeFormer

As respostas e explicações aparecem conforme você responde ao teste.

1. Como o CodeFormer enquadra fundamentalmente o problema da restauração facial?
   • Como previsão de código discreto de um livro de códigos aprendido
   • Como regressão contínua de pixels
   • Como transcrição de áudio
   • Como resumo de texto
2. Qual componente prevê quais entradas do livro de códigos usar?
   • Um gerador de números aleatórios
   • Um transformador
   • Uma árvore de decisão
   • Uma transformada de Fourier
3. Why can CodeFormer’s discrete codebook help with severely degraded faces?
   • It converts images to grayscale
   • Remove todas as informações de cores
   • 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
   • O número de rostos detectados
   • The trade-off between fidelity to the input and restored visual quality
5. Em que local o CodeFormer foi publicado?
   • NeuroIPS 2022
   • SIGGRAFIA 1999
   • Uma revista de culinária
   • Nunca foi publicado
6. De que técnica deriva o treinamento do livro de códigos?
   • Regressão linear
   • Um modelo quantizado vetorial estilo VQGAN
   • Um banco de dados relacional
   • Uma macro de planilha
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