গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

ESRGAN এবং GAN সুপার-রেজোলিউশন কুইজ

ESRGAN-এর প্রতিকূল ইমেজ-আপস্কেলিং ডিজাইন, এর উপলব্ধিমূলক বাস্তবতা ট্রেডঅফ, এবং এর জেনারেটেড বিশদটির সীমা অধ্যয়ন করুন।

প্রশ্ন 1 এর 8

ESRGAN-এ 'GAN' কী বোঝায়?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. ESRGAN-এ 'GAN' কী বোঝায়?
    • জেনারেটিভ অ্যাডভারসারিয়াল নেটওয়ার্ক
    • গ্রেডিয়েন্ট অ্যাকিউমুলেশন নেটওয়ার্ক
    • গাউসিয়ান অ্যাপ্রোক্সিমেশন নোড
    • গ্লোবাল অ্যাটেনশন নেটওয়ার্ক
  2. ESRGAN জেনারেটর প্রাথমিকভাবে কোন বিল্ডিং ব্লক ব্যবহার করে?
    • দীর্ঘ স্বল্পমেয়াদী মেমরি কোষ
    • রেসিডুয়াল-ইন-রেসিডুয়াল ডেন্স ব্লক (RRDB)
    • ক্যাপসুল রাউটিং স্তর
    • ট্রান্সফরমার স্ব-মনোযোগ ব্লক
  3. কেন ESRGAN এর লেখকরা জেনারেটর থেকে ব্যাচ স্বাভাবিককরণ সরিয়েছেন?
    • এটা প্রশিক্ষণ খুব ধীর
    • এটি সীমা ছাড়িয়ে স্মৃতিশক্তি বাড়িয়েছে
    • এটি ভিজ্যুয়াল আর্টিফ্যাক্ট প্রবর্তনের প্রবণতা ছিল
    • এটি GAN-এর সাথে বেমানান ছিল
  4. পিক্সেল-ক্ষতি-শুধু পদ্ধতির তুলনায় ESRGAN-এর প্রধান ট্রেড-অফ কী?
    • নির্ভুলতার উপর গতি
    • রেজোলিউশনের উপরে রঙের নির্ভুলতা
    • উচ্চ রেজোলিউশনের চেয়ে কম মেমরি
    • সঠিক পিক্সেল বিশ্বস্ততার উপর উপলব্ধিমূলক বাস্তববাদ
  5. ESRGAN এর উপলব্ধিগত (VGG) ক্ষতি কোথায় পরিমাপ করা হয়?
    • সক্রিয়করণের আগে বৈশিষ্ট্যগুলিতে
    • শুধুমাত্র কাঁচা RGB পিক্সেলে
    • বৈষম্যকারীর চূড়ান্ত স্কোরের উপর
    • ফুরিয়ার-রূপান্তরিত ইনপুটগুলিতে
  6. ESRGAN এর বৈষম্যকারী কোন উদ্ভাবন চালু করেছিলেন?
    • একটি বিশুদ্ধরূপে convolutional autoencoder
    • বাস্তব বনাম নকল বাস্তববাদের তুলনাকারী একটি আপেক্ষিক বৈষম্যকারী
    • একটি শক্তিবৃদ্ধি-শিক্ষা পুরস্কার মডেল
    • একটি হিমায়িত pretrained ক্লাসিফায়ার
  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