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.

  1. Co vlastně předpovídá DnCNN během tréninku?
    • Zbytkový šum, který se pak odečte od vstupu
    • Přesné nastavení ISO fotoaparátu
    • Textový popis scény
    • Hloubková mapa obrázku
  2. 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
  3. 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
  4. Jaká architektura se běžně používá jako páteř pro obnovu obrazu?
    • Jednoduchá lineární regrese
    • Rozhodovací strom
    • Vyhledávání vkládání slov
    • U-Net kodér-dekodér
  5. 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
  6. 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
  7. 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
  8. 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