Тест за оцветяване на изображения

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Защо оцветяването на изображението се смята за „неправилно поставен“ проблем?
   • Една стойност на сивата скала може да съответства на много различни реални цветове
   • Изображенията в сивата скала не съдържат никаква използваема информация
   • Цветните изображения са твърде големи за обработка
   • Камерите вече не могат да записват нива на сивото
2. При популярния подход на Lab color space, какво получава мрежата като вход?
   • Пълното RGB изображение
   • Само L (лекота) канал
   • Само червения канал
   • Карта на дълбочината на сцената
3. Защо Zhang et al. предсказване на цвета на рамката като класификация над цветови „кошчета“, а не директна регресия?
   • Защото класификацията е единственото нещо, което невронните мрежи могат да направят
   • За да направите изображенията по-малки
   • За да избегнете усредняването на валидни цветове в тъпи, ненаситени резултати
   • За да премахнете необходимостта от данни за обучение
4. Как моделите научават какви цветове трябва да бъдат обектите, без да им се каже?
   • Те се програмират ръчно със списък на цвета на всеки обект
   • Те предполагат на случаен принцип всеки път
   • Те четат цветови метаданни, съхранени във файлове с нива на сивото
   • Те научават статистически данни от милиони цветни снимки, преобразувани в нива на сивото
5. Кое е основното предизвикателство при оцветяването на видео, а не на отделни снимки?
   • Поддържане на цветовете постоянни в рамките, за да се избегне трептене
   • Видеоклиповете нямат версия в сива скала
   • Невъзможно е да се добави цвят към движещи се изображения
   • Всяка рамка трябва да е с различен цвят
6. Какво позволява на потребителя да прави оцветяването, базирано на примери или подсказки?
   • Преобразувайте цветни изображения обратно само в нива на сивото
   • Насочвайте изхода, като използвате референтни изображения или щракнати цветови съвети
   • Деактивирайте напълно невронната мрежа
   • Преведете изображението на друг език
7. In the CIE Lab setup described in the guide, which channels does the network predict?
   • The L lightness channel only
   • RGB red and green but not blue
   • The a and b chrominance channels
   • The image’s camera pose
8. Why can direct regression toward an average color produce dull colorization?
   • The model is forced to output only black
   • Regression removes the lightness channel
   • The network cannot use training examples
   • Several plausible colors for a gray pixel may average to a muted, less likely color