Тест, свързан с ръководство · Среден Ниво
Тест за практическо възстановяване на Real-ESRGAN
Научете как Real-ESRGAN симулира влошаване на изображението в реалния свят и се справя с шума, компресията и ограниченията на паметта по време на възстановяване.
Въпрос 1 на 8
Коя ключова слабост на оригиналния ESRGAN адресира Real-ESRGAN?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Коя ключова слабост на оригиналния ESRGAN адресира Real-ESRGAN?
- Беше обучен само на чист бикубичен мащаб
- Работеше само върху изображения в сива скала
- Не можеше да работи на графични процесори
- Изискваше сдвоени реални снимки
- Какъв е моделът на „деградация от висок ред“ на Real-ESRGAN?
- Генератор с по-висока разделителна способност
- Верига от множество произволни деградации, приложени последователно
- Нов механизъм за внимание
- По-голям дискриминатор
- Каква дискриминаторна архитектура използва Real-ESRGAN?
- Един линеен класификатор
- Повтаряща се мрежа
- U-Net със спектрална нормализация
- Замразен VGG
- Кои артефакти възпроизвеждат филтрите „sinc“ в Real-ESRGAN?
- Цветна лента
- Отблясък на обектива
- Хроматична аберация
- Звънене и превишаване
- Какъв гръбнак запазва генераторът Real-ESRGAN от ESRGAN?
- РБРБ блокира
- Трансформаторен енкодер
- Дифузионна U-мрежа
- LSTM стек
- In GFPGAN’s documented inference command, which background upsampler is set by default?
- Real-ESRGAN
- ESRGAN only
- A fixed bicubic resize
- No background upsampler is supported
- What kind of images is Real-ESRGAN’s anime checkpoint intended to restore?
- Only medical CT scans
- Only satellite photographs
- Anime illustrations
- Only grayscale handwritten documents
- Why can tiled inference help when restoring a very large image?
- It guarantees that every tile contains the same details
- It replaces super-resolution with image compression
- It prevents the model from seeing any neighboring pixels
- It processes smaller patches to reduce peak memory use