Тест CodeFormer Robust Face Recovery

Ответы и пояснения появляются по мере прохождения теста.

1. Как CodeFormer принципиально рассматривает проблему восстановления лица?
   • Как предсказание дискретного кода на основе изученной кодовой книги
   • Как непрерывная пиксельная регрессия
   • В виде аудиотранскрипции
   • Как обобщение текста
2. Какой компонент предсказывает, какие записи кодовой книги использовать?
   • Генератор случайных чисел
   • Трансформатор
   • Дерево решений
   • Преобразование Фурье
3. Why can CodeFormer’s discrete codebook help with severely degraded faces?
   • It converts images to grayscale
   • Удаляет всю информацию о цвете
   • 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
   • Количество обнаруженных лиц
   • The trade-off between fidelity to the input and restored visual quality
5. В каком месте был опубликован CodeFormer?
   • НейрИПС 2022
   • СИГГРАФ 1999 г.
   • Кулинарный журнал
   • Он никогда не был опубликован
6. На каком методе основано обучение кодовой книге?
   • Линейная регрессия
   • Модель векторного квантования в стиле VQGAN.
   • Реляционная база данных
   • Макрос электронной таблицы
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