Тест, свързан с ръководство · Среден Ниво

ESRGAN и GAN Super-Resolution Quiz

Проучете противопоставящия се дизайн на ESRGAN за увеличаване на изображението, компромиса на перцептивния реализъм и границите на генерираните детайли.

Свързани ръководни пътекиEsrgan и GAN Super Resolution
Въпрос 1 на 8

Какво означава „GAN“ в ESRGAN?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво означава „GAN“ в ESRGAN?
    • Генеративна съперническа мрежа
    • Градиентна мрежа за натрупване
    • Гаусов апроксимационен възел
    • Глобална мрежа за внимание
  2. Какъв градивен елемент използва основно генераторът ESRGAN?
    • Клетки с дълга краткосрочна памет
    • Остатъчни в остатъчните плътни блокове (RRDB)
    • Слоеве за маршрутизиране на капсули
    • Трансформаторни блокове за самовнимание
  3. Защо авторите на ESRGAN премахнаха партидната нормализация от генератора?
    • Забави тренировката твърде много
    • Това увеличи паметта отвъд границите
    • Имаше тенденция да въвежда визуални артефакти
    • Беше несъвместим с GAN
  4. Какъв е основният компромис, който прави ESRGAN в сравнение с методите само за загуба на пиксели?
    • Скоростта над точността
    • Точност на цветовете над разделителната способност
    • По-ниска памет пред по-висока резолюция
    • Перцептуалният реализъм пред точната точност на пикселите
  5. Къде се измерва перцептивната загуба на ESRGAN (VGG)?
    • На функциите преди активиране
    • Само на необработени RGB пиксели
    • На крайния резултат на дискриминатора
    • На входове, преобразувани на Фурие
  6. Каква иновация въведе дискриминаторът на ESRGAN?
    • Чисто конволюционен автоенкодер
    • Релативистичен дискриминатор, сравняващ реалния срещу фалшивия реализъм
    • Модел на възнаграждение за подсилващо учене
    • Замразен предварително обучен класификатор
  7. Which competition did the ESRGAN paper report winning?
    • The ImageNet classification challenge
    • The Vesuvius Challenge
    • The PIRM 2018 perceptual super-resolution challenge
    • The COCO image-captioning challenge
  8. Why should generated detail from ESRGAN not be treated as recovered photographic evidence?
    • The model records the original sensor data exactly
    • GANs can only enlarge images without changing pixels
    • The output is guaranteed to match the lost high-resolution image
    • The model can synthesize plausible textures that were not present in the low-resolution input