แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบ Inpainting ที่แข็งแกร่งและมีความละเอียดของ LaMa

เรียนรู้ว่า LaMa ผสานการคอนโวลูชันฟูริเยร์, การสูญเสียที่มีสนามรับรับกว้างสูง, และหน้ากากขนาดใหญ่สำหรับการเติมภาพอย่างไรและขีดจำกัดที่รายงาน

เส้นทางแนะนำที่เกี่ยวข้องLama ความละเอียดที่แข็งแกร่ง Inpainting
คำถาม 1 ของ 8

องค์ประกอบทางสถาปัตยกรรมอันเป็นเอกลักษณ์ที่ทำให้ LaMa มีมุมมองภาพทั่วโลกคืออะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. องค์ประกอบทางสถาปัตยกรรมอันเป็นเอกลักษณ์ที่ทำให้ LaMa มีมุมมองภาพทั่วโลกคืออะไร
    • การผันฟูเรียร์แบบเร็ว
    • บล็อกความสนใจในตนเองของหม้อแปลงไฟฟ้า
    • เลเยอร์ LSTM ที่เกิดซ้ำ
    • เครือข่ายแคปซูล
  2. เหตุใดลามะจึงจัดการกับหน้ากากขนาดใหญ่ได้ดีกว่าการพ่นสีรุ่นก่อนๆ หลายรุ่น
    • ใช้งานได้กับภาพขนาดเล็กเท่านั้น
    • ช่องรับสัญญาณส่วนกลางช่วยให้สามารถดำเนินโครงสร้างต่อไปในรูขนาดใหญ่ได้
    • โดยจะคัดลอกพิกเซลแบบสุ่มจากขอบ
    • ปฏิเสธที่จะเติมมาสก์เกินขนาดที่กำหนด
  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. LaMa จัดการกับพื้นผิวประเภทใดได้ดีเป็นพิเศษด้วยการประมวลผลโดเมนความถี่
    • เสียงสุ่มบริสุทธิ์
    • มีสีเดียวทึบเท่านั้น
    • อักขระข้อความเท่านั้น
    • พื้นผิวซ้ำๆ เป็นระยะๆ เช่น อิฐหรือกระเบื้อง
  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. การสูญเสียใดช่วยให้ LaMa สร้างการเติมที่ดูสมจริงมากกว่าการเฉลี่ยที่พร่ามัว
    • การสูญเสียข้อผิดพลาดเฉลี่ยกำลังสองของพิกเซลอย่างง่ายเพียงอย่างเดียว
    • การสูญเสียฝ่ายตรงข้ามรวมกับการสูญเสียการรับรู้
    • ไม่มีฟังก์ชั่นการสูญเสียเลย
    • การสูญเสียที่วัดขนาดไฟล์เท่านั้น
  7. What additional loss component does the LaMa paper emphasize for large-mask inpainting?
    • การสูญเสียการรู้จำเสียงพูด
    • 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