Тест, свързан с ръководство · Среден Ниво

Тест със супер разделителна способност на изображението

Разберете как супер разделителната способност оценява изображение с по-висока разделителна способност и защо правдоподобните детайли може да са двусмислени или измислени.

Свързани ръководни пътекиСупер резолюция на изображението
Въпрос 1 на 8

Защо супер разделителната способност на едно изображение се нарича „неправилно поставен“ проблем?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Защо супер разделителната способност на едно изображение се нарича „неправилно поставен“ проблем?
    • Много различни изображения с висока разделителна способност могат да създадат един и същ вход с ниска разделителна способност
    • Входните изображения винаги са повредени непоправими
    • Математиката изобщо няма решение
    • Изисква повече памет, отколкото който и да е графичен процесор
  2. Какъв е често срещаният недостатък на обучението на мрежи със супер разделителна способност само със загуба на MSE по отношение на пикселите?
    • Резултатите стават прекалено остри и шумни
    • Резултатите изглеждат замъглени и прекалено изгладени
    • Моделът отказва да увеличи изображението
    • Може да обработва само изображения в сива скала
  3. Какво добавя базираният на GAN модел ESRGAN за подобряване на възприеманата острота?
    • По-големи бикубични интерполационни ядра
    • Филтър за изостряне на ръбове, базиран на правила
    • Дискриминатор и перцептивна загуба на пространствено пространство
    • Само повече тренировъчни епохи
  4. Защо резултатите със супер разделителна способност трябва да се третират предпазливо в съдебни или медицински среди?
    • Винаги са с по-ниско качество от входа
    • Те не могат да бъдат записани в стандартни формати
    • Те удвояват размера на файла всеки път
    • Моделът измисля правдоподобни подробности, които може да не са истинското съдържание
  5. Как базираната на дифузия супер разделителна способност (като SR3) генерира детайли?
    • Чрез итеративно прецизиране на шума в детайли през много стъпки
    • Чрез копиране на пиксели от база данни със стокови снимки
    • Чрез прилагане на единична намотка за заточване
    • Чрез компресиране на изображението с JPEG
  6. Какъв проблем конкретно насочва Real-ESRGAN в сравнение с по-ранните модели SR?
    • Увеличаване само на анимационни изображения
    • Справяне с разхвърляни деградации в реалния свят като шум и компресия
    • Умишлено намаляване на разделителната способност на изображението
    • Преобразуване на изображения във векторна графика
  7. What does the sub-pixel convolution in ESPCN do?
    • It estimates optical flow between video frames
    • It classifies objects without upsampling
    • It rearranges feature channels into a higher-resolution image grid
    • It adds a text prompt to an image embedding
  8. What kind of image pairs did the RealSR dataset collect?
    • Only synthetic Gaussian-noise images
    • Text-only descriptions paired with audio
    • Unpaired medical scans from different patients
    • Real-world paired low- and high-resolution images captured with different cameras or zoom settings