Тест на синтез семантического изображения SPADE

Ответы и пояснения появляются по мере прохождения теста.

1. Какие входные данные использует SPADE для создания изображения?
   • Карта семантической сегментации, маркирующая каждый регион.
   • Устное описание
   • Один пример фото
   • 3D-облако точек
2. Какую проблему с более ранней нормализацией исправил SPADE?
   • Это сделало изображения слишком красочными
   • Слои нормализации смыли информацию о макете
   • Он использовал слишком мало памяти
   • Он не мог обрабатывать цветные изображения.
3. В SPADE масштаб нормализации и параметры сдвига:
   • Случайный шум
   • Отдельные значения, общие для всего изображения
   • Пространственно изменяющиеся тензоры, рассчитанные на основе маски сегментации
   • Фиксированные константы
4. Какое известное интерактивное приложение создано на базе SPADE?
   • Фотошоп
   • Google Перевести
   • Midjourney v1
   • ГауГАН (холст NVIDIA)
5. Что означает «SP» в SPADE?
   • Пространственно-адаптивный
   • Супер Пиксель
   • Спектральное объединение
   • Разреженная проекция
6. Практическое преимущество управляемой компоновки SPADE:
   • Improving the input map’s pixel resolution without image synthesis
   • Controlling where labeled scene elements appear in the generated image
   • Translating every label into natural-language captions
   • Compressing generated scenes into smaller files
7. Why can SPADE-generated images be useful when training semantic-segmentation systems?
   • The generated images contain only unlabeled audio
   • The system predicts a transcript for every pixel
   • The input layout already supplies pixel labels for the generated scene
   • The layout removes all semantic categories
8. What can happen when a designer changes a region label in a SPADE input map?
   • It changes the audio sample rate
   • It retrains the generator from scratch
   • It removes the labels from all other regions
   • The generator can synthesize the scene with the revised semantic region