Questionário vinculado ao guia · Médio Nível

Questionário de pintura robusta com resolução LaMa

Saiba como o LaMa combina convoluções de Fourier, altas perdas de campo receptivo e grandes máscaras para pintura de imagens e seus limites relatados.

Caminhos de guia relacionadosPintura robusta da resolução Lama
Pergunta 1 de 8

Qual é o componente arquitetônico característico que dá ao LaMa a visão global de uma imagem?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é o componente arquitetônico característico que dá ao LaMa a visão global de uma imagem?
    • Convoluções rápidas de Fourier
    • Blocos de autoatenção do transformador
    • Camadas LSTM recorrentes
    • Redes cápsula
  2. Por que o LaMa lida melhor com máscaras grandes do que muitos modelos anteriores de pintura interna?
    • Funciona apenas em imagens minúsculas
    • Seu campo receptivo global permite que ele continue a estruturar-se através de grandes buracos
    • Ele copia pixels aleatoriamente das bordas
    • Recusa-se a preencher máscaras acima de um tamanho fixo
  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. Que tipo de textura o LaMa lida especialmente bem graças ao seu processamento no domínio da frequência?
    • Ruído aleatório puro
    • Apenas cores únicas sólidas
    • Caracteres de texto exclusivamente
    • Texturas repetitivas e periódicas, como tijolo ou azulejo
  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. Qual perda ajuda o LaMa a produzir preenchimentos de aparência realista em vez de médias borradas?
    • Uma simples perda de erro quadrático médio de pixel sozinha
    • Uma perda adversária combinada com uma perda perceptiva
    • Nenhuma função de perda
    • Uma perda que mede apenas o tamanho do arquivo
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • Uma perda de reconhecimento de fala
    • 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