Kvíz spojený s průvodcem · Střední úroveň
Kvíz s vysokým rozlišením obrázků
Pochopte, jak superrozlišení odhaduje obraz s vyšším rozlišením a proč mohou být věrohodné detaily nejednoznačné nebo vymyšlené.
Otázka 1 z 8
Proč se superrozlišení jednoho snímku nazývá „špatně položený“ problém?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Proč se superrozlišení jednoho snímku nazývá „špatně položený“ problém?
- Mnoho různých obrázků s vysokým rozlišením může produkovat stejný vstup s nízkým rozlišením
- Vstupní obrázky jsou vždy neopravitelné
- Matematika nemá vůbec žádné řešení
- Vyžaduje více paměti než kterýkoli GPU má
- Jaká je běžná nevýhoda trénování sítí s vysokým rozlišením s pouze pixelovou ztrátou MSE?
- Výstupy jsou příliš ostré a hlučné
- Výstupy vypadají rozmazaně a příliš vyhlazené
- Modelka odmítá zvětšit obrázek
- Dokáže zpracovat pouze obrázky ve stupních šedi
- Co přidává model ESRGAN založený na GAN pro zlepšení vnímané ostrosti?
- Větší bikubická interpolační jádra
- Filtr pro ostření hran založený na pravidlech
- Diskriminátor a ztráta percepčního prostoru funkcí
- Pouze další tréninkové epochy
- Proč se s výstupy v super rozlišení musí ve forenzních nebo lékařských prostředích zacházet opatrně?
- Jsou vždy méně kvalitní než vstup
- Nelze je uložit ve standardních formátech
- Pokaždé zdvojnásobí velikost souboru
- Modelka vymýšlí věrohodné detaily, které nemusí být skutečným obsahem
- Jak superrozlišení založené na difúzi (jako SR3) generuje detaily?
- Opakovaným dolaďováním šumu do detailů v mnoha krocích
- Kopírováním pixelů z databáze fotografií
- Aplikací jediné konvoluce ostření
- Kompresí obrázku pomocí JPEG
- Na jaký problém se Real-ESRGAN konkrétně zaměřuje ve srovnání s dřívějšími modely SR?
- Upscaling pouze kreslených obrázků
- Zvládání chaotických degradací v reálném světě, jako je šum a komprese
- Snížení rozlišení obrazu záměrně
- Převod obrázků na vektorovou grafiku
- What does the sub-pixel convolution in ESPCN do?
- It estimates optical flow between video frames
- It classifies objects without upsampling
- It rearranges feature channels into a higher-resolution image grid
- It adds a text prompt to an image embedding
- What kind of image pairs did the RealSR dataset collect?
- Only synthetic Gaussian-noise images
- Text-only descriptions paired with audio
- Unpaired medical scans from different patients
- Real-world paired low- and high-resolution images captured with different cameras or zoom settings