Тест, свързан с ръководство · Среден Ниво

Тест за премахване на шума и размазване на мрежи

Прегледайте остатъчното премахване на шума, сляпото премахване на замъгляването, реалистичните показатели за шума на камерата и практическия риск от измислянето на детайли на изображението.

Свързани ръководни пътекиОбезшумяване и размазване на мрежи
Въпрос 1 на 8

Какво всъщност прогнозира DnCNN по време на обучение?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво всъщност прогнозира DnCNN по време на обучение?
    • Остатъчният шум, който след това се изважда от входа
    • Точната ISO настройка на камерата
    • Текстово описание на сцената
    • Карта на дълбочината на изображението
  2. Защо сляпото премахване на замъгляването се смята за по-трудно от премахването на шум?
    • Защото изображенията винаги са цветни
    • Тъй като ядрото на размазването, описващо как се размазват пикселите, обикновено е неизвестно
    • Тъй като премахването на замъгляване се нуждае от GPS сигнал
    • Защото шумът не може да се добави синтетично
  3. Как обикновено се създават двойки за обучение за тези мрежи?
    • Чрез ръчно рисуване на чисти версии
    • Чрез сканиране на филмови негативи
    • Чрез добавяне на синтетичен шум или замъгляване към чисти снимки
    • Като записвате аудио заедно с изображението
  4. Каква архитектура обикновено се използва като гръбнак за възстановяване на изображения?
    • Проста линейна регресия
    • Дърво на решенията
    • Търсене за вграждане на думи
    • U-Net енкодер-декодер
  5. Каква е основната идея зад подхода за обучение Noise2Noise?
    • Той преобразува едно шумно наблюдение в друго шумно, без да се нуждае от чиста цел
    • Изисква идеално чисти целеви изображения
    • Работи само върху текст
    • Той изобщо не използва невронна мрежа
  6. Why can adding perceptual or adversarial objectives be a tradeoff in restoration?
    • They make images impossible to display
    • They may improve visual naturalness but can favor plausible detail beyond pixel fidelity
    • They guarantee exact recovery of every pixel
    • They remove the need for training data
  7. What is SIDD used for in image restoration research?
    • Measuring telescope mirror alignment
    • Ranking speech transcripts
    • Evaluating denoising on real smartphone camera noise
    • Testing particle-detector triggers
  8. What is a risk when a generative restoration model sharpens an image?
    • It always reduces image dimensions
    • It converts every image to grayscale
    • It removes the need to inspect results
    • It may invent plausible detail that was not supported by the measurement