Kvíz spojený s průvodcem · Střední úroveň

Nepárový překladový kvíz CycleGAN

Podívejte se, jak CycleGAN používá inverzní mapování, antidiskriminační diskriminátory a konzistenci cyklu k překladu obrázků bez párových příkladů.

Související vodicí cestyNepárový překlad Cyclegan
Otázka 1 z 8

Jaký klíčový problém řeší CycleGAN, který dřívější metody jako pix2pix nedokázaly?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký klíčový problém řeší CycleGAN, který dřívější metody jako pix2pix nedokázaly?
    • Překládá obrázky, aniž by potřeboval páry před a po
    • Celý běží na mobilním CPU
    • Eliminuje potřebu jakýchkoliv tréninkových dat
    • Funguje pouze na černobílých snímcích
  2. Co vynucuje ztráta konzistence cyklu?
    • Všechny výstupní obrázky jsou ve stupních šedi
    • Přeložením obrázku do jiné domény a zpět se obnoví původní
    • Že diskriminátor vždy vyhraje
    • Že generátory sdílejí stejné váhy
  3. Kolik generátorů používá standardní CycleGAN?
    • Jeden
    • Čtyři
    • Dvě
    • tři
  4. Jaký typ diskriminátoru obvykle používá CycleGAN?
    • Jediný esovitý tvar na celém obrázku
    • Předtrénovaný klasifikátor ImageNet
    • Vůbec žádný diskriminátor
    • PatchGAN, který klasifikuje obrazové opravy
  5. Proč je někdy v CycleGAN přidána ztráta identity?
    • Pomůže zachovat barvu, když vstup již odpovídá cílové doméně
    • Aby byl trénink rychlejší
    • Abychom odstranili potřebu diskriminátorů
    • Chcete-li převést obrázky na skici
  6. Která z nich je klasická ukázka CycleGAN?
    • Generování textu z řeči
    • Přeměna fotografií koní na fotografie zeber
    • Přepis rukopisu
    • Komprese video souborů
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches