Тест CodeFormer Robust Face Recovery

Відповіді та пояснення з’являються під час виконання тесту.

1. Яким чином CodeFormer створює проблему відновлення обличчя?
   • Як передбачення дискретного коду з вивченої кодової книги
   • Як безперервна піксельна регресія
   • Як аудіо транскрипція
   • Як резюме тексту
2. Який компонент передбачає, які записи кодової книги використовувати?
   • Генератор випадкових чисел
   • Трансформатор
   • Дерево рішень
   • Перетворення Фур'є
3. Why can CodeFormer’s discrete codebook help with severely degraded faces?
   • It converts images to grayscale
   • Він видаляє всю інформацію про колір
   • 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
   • Кількість розпізнаних облич
   • The trade-off between fidelity to the input and restored visual quality
5. Де було опубліковано CodeFormer?
   • NeurIPS 2022
   • SIGGRAPH 1999
   • Кулінарний журнал
   • Він ніколи не був опублікований
6. Яка техніка базується на навчанні кодової книги?
   • Лінійна регресія
   • Векторно-квантована модель у стилі VQGAN
   • Реляційна база даних
   • Макрос електронної таблиці
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