Kvíz spojený s průvodcem · Střední úroveň

ESRGAN a GAN kvíz v super rozlišení

Prostudujte si odporný design upscalingu obrazu ESRGAN, jeho kompromis v oblasti vjemového realismu a limity jeho generovaných detailů.

Související vodicí cestyEsrgan a GAN Super Resolution
Otázka 1 z 8

Co znamená „GAN“ v ESRGAN?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co znamená „GAN“ v ESRGAN?
    • Generative Adversarial Network
    • Gradient Accumulation Network
    • Gaussův aproximační uzel
    • Globální síť pozornosti
  2. Jaký stavební blok ESRGAN generátor primárně používá?
    • Buňky dlouhodobé krátkodobé paměti
    • Residual-in-Residual Dense Blocks (RRDB)
    • Vrstvy směrování kapslí
    • Transformátorové samopozorné bloky
  3. Proč autoři ESRGAN odstranili dávkovou normalizaci z generátoru?
    • Příliš to zpomalilo trénink
    • Zvýšil paměť nad limity
    • Měla tendenci představovat vizuální artefakty
    • Bylo to nekompatibilní s GAN
  4. Jaký je hlavní kompromis ESRGAN ve srovnání s metodami pouze se ztrátou pixelů?
    • Rychlost nad přesností
    • Přesnost barev nad rozlišením
    • Nižší paměť nad vyšším rozlišením
    • Realismus vnímání přes přesnou věrnost pixelů
  5. Kde se měří percepční (VGG) ztráta ESRGAN?
    • O funkcích před aktivací
    • Pouze na raw RGB pixelech
    • O konečném skóre diskriminátora
    • Na Fourierově transformovaných vstupech
  6. Jakou inovaci zavedl diskriminátor ESRGAN?
    • Čistě konvoluční autoenkodér
    • Relativistický diskriminátor srovnávající skutečný a falešný realismus
    • Model odměny za posilování učení
    • Zmrazený předtrénovaný klasifikátor
  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