แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบ Inpainting ที่แข็งแกร่งและมีความละเอียดของ LaMa
เรียนรู้ว่า LaMa ผสานการคอนโวลูชันฟูริเยร์, การสูญเสียที่มีสนามรับรับกว้างสูง, และหน้ากากขนาดใหญ่สำหรับการเติมภาพอย่างไรและขีดจำกัดที่รายงาน
คำถาม 1 ของ 8
องค์ประกอบทางสถาปัตยกรรมอันเป็นเอกลักษณ์ที่ทำให้ LaMa มีมุมมองภาพทั่วโลกคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- องค์ประกอบทางสถาปัตยกรรมอันเป็นเอกลักษณ์ที่ทำให้ LaMa มีมุมมองภาพทั่วโลกคืออะไร
- การผันฟูเรียร์แบบเร็ว
- บล็อกความสนใจในตนเองของหม้อแปลงไฟฟ้า
- เลเยอร์ LSTM ที่เกิดซ้ำ
- เครือข่ายแคปซูล
- เหตุใดลามะจึงจัดการกับหน้ากากขนาดใหญ่ได้ดีกว่าการพ่นสีรุ่นก่อนๆ หลายรุ่น
- ใช้งานได้กับภาพขนาดเล็กเท่านั้น
- ช่องรับสัญญาณส่วนกลางช่วยให้สามารถดำเนินโครงสร้างต่อไปในรูขนาดใหญ่ได้
- โดยจะคัดลอกพิกเซลแบบสุ่มจากขอบ
- ปฏิเสธที่จะเติมมาสก์เกินขนาดที่กำหนด
- 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
- LaMa จัดการกับพื้นผิวประเภทใดได้ดีเป็นพิเศษด้วยการประมวลผลโดเมนความถี่
- เสียงสุ่มบริสุทธิ์
- มีสีเดียวทึบเท่านั้น
- อักขระข้อความเท่านั้น
- พื้นผิวซ้ำๆ เป็นระยะๆ เช่น อิฐหรือกระเบื้อง
- 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
- การสูญเสียใดช่วยให้ LaMa สร้างการเติมที่ดูสมจริงมากกว่าการเฉลี่ยที่พร่ามัว
- การสูญเสียข้อผิดพลาดเฉลี่ยกำลังสองของพิกเซลอย่างง่ายเพียงอย่างเดียว
- การสูญเสียฝ่ายตรงข้ามรวมกับการสูญเสียการรับรู้
- ไม่มีฟังก์ชั่นการสูญเสียเลย
- การสูญเสียที่วัดขนาดไฟล์เท่านั้น
- 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
- 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