Pix2Pix тест за превод от изображение към изображение

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какъв вид данни за обучение изисква Pix2Pix?
   • Примери за сдвоени входно-изходни изображения
   • Няма никакви данни
   • Само текстови надписи
   • Аудио записи
2. Каква генераторна архитектура използва Pix2Pix?
   • Обикновена напълно свързана мрежа
   • U-Net с прескачащи връзки
   • Повтаряща се мрежа
   • Дърво на решенията
3. Какво оценява дискриминаторът PatchGAN в Pix2Pix?
   • Цялото изображение като един глобален резултат
   • Размерът на файла с изображение
   • Реализъм на малки местни изображения
   • Времето за обучение
4. Защо Pix2Pix добавя L1 загуба заедно със състезателната загуба?
   • Умишлено забавяне на тренировките
   • За премахване на дискриминатора
   • За генериране на произволен шум
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Защо връзките за прескачане на U-Net са особено полезни за задачи за превод?
   • Те предават споделена структура като ръбове директно през мрежата
   • Те изтриват ненужните слоеве
   • Те преобразуват изображения в текст
   • Те намаляват размера на набора от данни
6. Кой модел разшири Pix2Pix, за да се учи от несдвоени колекции от изображения?
   • ResNet
   • CycleGAN
   • БЕРТ
   • Word2Vec
7. Why can a PatchGAN discriminator encourage sharper local image texture?
   • It predicts the input labels directly
   • It replaces the generator’s U-Net
   • It judges realism in small image patches rather than only scoring the whole image
   • It computes only global color histograms
8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
   • The learning-rate warmup
   • The GAN’s random seed
   • The PatchGAN receptive-field count
   • The L1 pixel-difference loss