Тест на синтез семантичного зображення SPADE

Відповіді та пояснення з’являються під час виконання тесту.

1. Які вхідні дані використовує SPADE для створення зображення?
   • Семантична карта сегментації, що позначає кожен регіон
   • Усний опис
   • Один приклад фото
   • Тривимірна хмара точок
2. Яку проблему з попередньою нормалізацією вирішив SPADE?
   • Це робило зображення надто барвистими
   • Шари нормалізації змили інформацію про макет
   • Він використовував занадто мало пам'яті
   • Він не міг обробляти кольорові зображення
3. У SPADE масштаб нормалізації та параметри зсуву:
   • Випадковий шум
   • Окремі значення, спільні для всього зображення
   • Просторові тензори, обчислені з маски сегментації
   • Фіксовані константи
4. Яка відома інтерактивна програма побудована на SPADE?
   • Фотошоп
   • Google Перекласти
   • Midjourney v1
   • GauGAN (NVIDIA Canvas)
5. Що означає «SP» у SPADE?
   • Просторово-адаптивний
   • Супер піксель
   • Спектральне об'єднання
   • Розріджена проекція
6. Практична перевага керованого макета 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