Kvíz spojený s průvodcem · Střední úroveň
Kvíz pro odstranění šumu a rozmazání sítí
Prohlédněte si zbytkové odšumování, slepé rozmazání, realistická měřítka šumu fotoaparátu a praktické riziko vymýšlení detailů obrazu.
Otázka 1 z 8
Co vlastně předpovídá DnCNN během tréninku?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co vlastně předpovídá DnCNN během tréninku?
- Zbytkový šum, který se pak odečte od vstupu
- Přesné nastavení ISO fotoaparátu
- Textový popis scény
- Hloubková mapa obrázku
- Proč je slepé odstranění rozmazání považováno za těžší než odstranění šumu?
- Protože obrázky jsou vždy barevné
- Protože jádro rozostření popisující, jak se pixely rozmazávají, je obvykle neznámé
- Protože deblurování potřebuje signál GPS
- Protože šum nelze přidat synteticky
- Jak se obvykle vytvářejí tréninkové páry pro tyto sítě?
- Ručním kreslením čistých verzí
- Skenováním filmových negativů
- Přidáním syntetického šumu nebo rozmazání pro čisté fotografie
- Nahráním zvuku vedle obrazu
- Jaká architektura se běžně používá jako páteř pro obnovu obrazu?
- Jednoduchá lineární regrese
- Rozhodovací strom
- Vyhledávání vkládání slov
- U-Net kodér-dekodér
- Jaká je klíčová myšlenka školícího přístupu Noise2Noise?
- Mapuje jedno hlučné pozorování na jiné hlučné, nepotřebuje žádný čistý cíl
- Vyžaduje dokonale čisté cílové obrázky
- Funguje pouze na text
- Nevyužívá vůbec žádnou neuronovou síť
- Why can adding perceptual or adversarial objectives be a tradeoff in restoration?
- They make images impossible to display
- They may improve visual naturalness but can favor plausible detail beyond pixel fidelity
- They guarantee exact recovery of every pixel
- They remove the need for training data
- What is SIDD used for in image restoration research?
- Measuring telescope mirror alignment
- Ranking speech transcripts
- Evaluating denoising on real smartphone camera noise
- Testing particle-detector triggers
- What is a risk when a generative restoration model sharpens an image?
- It always reduces image dimensions
- It converts every image to grayscale
- It removes the need to inspect results
- It may invent plausible detail that was not supported by the measurement