Kvíz spojený s průvodcem · Střední úroveň

Pix2Pix Překladový kvíz z obrázku na obrázek

Kontroluje požadavek Pix2Pix na párovaná data, U-Net generátor, PatchGAN diskriminátor a doplňkové role protivníkových a L1 ztrát.

Související vodicí cestyPix2pix Překlad obrázku na obrázek
Otázka 1 z 8

Jaký druh tréninkových dat vyžaduje Pix2Pix?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký druh tréninkových dat vyžaduje Pix2Pix?
    • Příklady spárovaných vstupně-výstupních obrázků
    • Vůbec žádná data
    • Pouze textové titulky
    • Zvukové nahrávky
  2. Jakou architekturu generátoru používá Pix2Pix?
    • Jednoduchá plně propojená síť
    • U-Net s přeskočením připojení
    • Opakující se síť
    • Rozhodovací strom
  3. Co vyhodnocuje PatchGAN diskriminátor v Pix2Pix?
    • Celý obrázek jako jedno globální skóre
    • Velikost souboru obrázku
    • Realismus malých lokálních obrazových záplat
    • Doba tréninku
  4. Proč Pix2Pix přidává ztrátu L1 vedle ztráty protivníka?
    • Úmyslně zpomalit trénink
    • K odstranění diskriminátoru
    • Pro generování náhodného šumu
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. Proč jsou přeskaková připojení U-Net zvláště užitečná pro překladatelské úlohy?
    • Procházejí sdílenou strukturou jako hrany přímo přes síť
    • Odstraňují nepotřebné vrstvy
    • Převádějí obrázky na text
    • Zmenšují velikost datové sady
  6. Který model rozšířil Pix2Pix o učení z nespárovaných sbírek obrázků?
    • ResNet
    • CycleGAN
    • BERT
    • Word2Vec
  7. Why can a PatchGAN discriminator encourage sharper local image texture?
    • It predicts the input labels directly
    • It replaces the generator’s U-Net
    • It judges realism in small image patches rather than only scoring the whole image
    • It computes only global color histograms
  8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
    • The learning-rate warmup
    • The GAN’s random seed
    • The PatchGAN receptive-field count
    • The L1 pixel-difference loss