照片里其他游客太多？Galaxy研究员提出LaMa模型，一键全部抠掉

的理论但向后重建三幅象。研究课题部门常用了一些高难度，例如跳过连接（skipt-connections）可以存放来自局如前所述网当年最上层的反馈，并将其传播到第二步，以便数学模型可以将其定向到错误的某类。

比较简单来说，数学模型尽可能知道特写中都有一个塔，月光和果树木，这种就叫在实践中反馈（global information），但基本上必须一些skip connections来让数学模型标识到埃菲尔铁塔在特写的之当年央。

对于不够细粒度的反馈，例如这中都或那中都有云，果树有哪些白色等细节，研究课题部门称做区如前所述内反馈（local information）。

但还存有一个关键问题，就是在这种只能，数学模型正在妥善不远处理的是准确性较少的三幅象，这会减小三幅象大修的准确性。所以相同之不远处在于，LaMa不是像在常规微分局如前所述网之当年那样常用微分并跳过连接来保持区如前所述内知识，而是常用短时间傅中都叶微分，也就是说局如前所述网将在维度如前所述和频如前所述之当年同时工作，并且不必须重返当年面的层来解释三幅象的语义。

每一层都将与维度如前所述之当年的微分一起妥善不远处理区如前所述内特征，并在频如前所述之当年常用傅中都叶微分来分析在实践中特征。

频如前所述有点相同，大体就是将转换成三幅象转换为所有有可能的振幅，所以这个拟于的三幅象的每个像素都将代表一个构成整个维度三幅象的振幅以及它的存有量，而不是白色。当然，这中都的振幅并非是笑声振幅，而是代表相异尺度的重复使用模式。

因此，对属于自己傅中都叶三幅象开展微分可以让数学模型在微分处理过程的每个流程之当年妥善不远处理整个三幅象，因此即使在当年最上层也可以不够容易地解释三幅象，而不必太多计算成本，这种缺点通过常规的微分是无法解决关键问题的。

然后，在实践中和区如前所述内的结果都被存放并发送到下一层，下一层将重复使用这些流程，终究将获得可以翻转回来的终究三幅象。

DFT如前所述的常用使其可以限于巨大的三幅象，因为三幅象分辨率就会影响DFT如前所述，它常用整个三幅象的振幅而非白色作为特征，并且寻帮忙的重复使用模式必须是相同的三幅象的大小，这理论上即使在用小三幅象军事训练这个局如前所述网时，也能夺得相同的缺点。

研究课题部门在CelebA-HQ数据资料集上的三幅象大修开展了检验，采用可学习知觉三幅象斑块相似性（LPIP）和FID作为定量评估指标。与LaMaDFT数学模型相比之下，几乎所有的数学模型的安全性都不够弱（红色上斜线）。表之当年最主要了相异的测试掩码聚合的相异策略的度量，即窄掩码（narrow）、宽掩码（wide）和全段掩码（segmentation），LaMa傅中都叶的安全性基本上不够强，暗示了检验方法有不够最大限度借助于了可军事训练匹配。

比如说是一些数学模型的三幅象大修样例。

也有一些大修的不是很好的样例。

虽然结果有好有坏，但LaMa数学模型基本上安全性出众，向本质应用跨出了不可忽视一步。

参考资料：

本文来自微信公众号“新智元”（ID:AI_era），校对：LRS，36氪经授权释出。

。