Kvíz spojený s průvodcem · Střední úroveň
Kvíz o barvení obrázků
Zkontroluje, proč je kolorizace nejednoznačná, vstupní/výstupní kanály Lab, klasifikace přes barevné zásobníky a naučené předchozí obrázky.
Otázka 1 z 8
Proč je kolorování obrazu považováno za „špatně položený“ problém?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Proč je kolorování obrazu považováno za „špatně položený“ problém?
- Jedna hodnota ve stupních šedi může odpovídat mnoha různým reálným barvám
- Obrázky ve stupních šedi neobsahují vůbec žádné použitelné informace
- Barevné obrázky jsou příliš velké na zpracování
- Fotoaparáty již nemohou zaznamenávat stupně šedi
- Co v populárním přístupu k barevnému prostoru Lab přijímá síť jako vstup?
- Celý RGB obraz
- Pouze kanál L (světlost).
- Pouze červený kanál
- Hloubková mapa scény
- Proč Zhang a spol. predikce barvy snímku jako klasifikace nad barevnými 'biny' spíše než přímou regresí?
- Protože klasifikace je to jediné, co neuronové sítě umí
- Aby byly obrázky menší
- Abyste se vyhnuli zprůměrování platných barev do matných, desaturovaných výsledků
- Chcete-li odstranit potřebu tréninkových dat
- Jak se modely naučí, jaké barvy by předměty měly mít, aniž by jim to někdo řekl?
- Jsou ručně naprogramovány se seznamem barev každého objektu
- Pokaždé hádají náhodně
- Čtou barevná metadata uložená v souborech ve stupních šedi
- Učí se statistické priority z milionů barevných fotografií převedených do stupňů šedi
- Co je klíčovou výzvou při barvení videa spíše než jednotlivých fotografií?
- Zachování konzistentních barev napříč snímky, aby se zabránilo blikání
- Videa nemají verzi ve stupních šedi
- K pohyblivým obrázkům nelze přidat barvu
- Každý rám musí mít jinou barvu
- Co umožňuje zbarvení založené na příkladu nebo na nápovědě uživateli?
- Převeďte barevné obrázky zpět pouze na stupně šedi
- Proveďte výstup pomocí referenčních obrázků nebo barevných nápověd
- Zcela deaktivujte neuronovou síť
- Přeložte obrázek do jiného jazyka
- In the CIE Lab setup described in the guide, which channels does the network predict?
- The L lightness channel only
- RGB red and green but not blue
- The a and b chrominance channels
- The image’s camera pose
- Why can direct regression toward an average color produce dull colorization?
- The model is forced to output only black
- Regression removes the lightness channel
- The network cannot use training examples
- Several plausible colors for a gray pixel may average to a muted, less likely color