Mit dem Guide verknüpftes Quiz · Mittel Ebene

CycleGAN-Quiz zur ungepaarten Übersetzung

Sehen Sie sich an, wie CycleGAN inverse Zuordnungen, kontradiktorische Diskriminatoren und Zykluskonsistenz verwendet, um Bilder ohne gepaarte Beispiele zu übersetzen.

Verwandte FührungspfadeUngepaarte Cyclegan-Übersetzung
Frage 1 von 8

Welches Schlüsselproblem löst CycleGAN, das frühere Methoden wie pix2pix nicht lösen konnten?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Welches Schlüsselproblem löst CycleGAN, das frühere Methoden wie pix2pix nicht lösen konnten?
    • Es übersetzt Bilder, ohne dass übereinstimmende Vorher-Nachher-Paare erforderlich sind
    • Es läuft vollständig auf einer mobilen CPU
    • Es sind keine Trainingsdaten mehr erforderlich
    • Es funktioniert nur bei Schwarzweißbildern
  2. Was erzwingt der Zykluskonsistenzverlust?
    • Dass alle Ausgabebilder Graustufen sind
    • Durch die Übersetzung eines Bildes in die andere Domäne und zurück wird das Original wiederhergestellt
    • Dass der Diskriminator immer gewinnt
    • Dass Generatoren die gleichen Gewichte haben
  3. Wie viele Generatoren verwendet ein Standard-CycleGAN?
    • Eins
    • Vier
    • Zwei
    • Drei
  4. Welche Art von Diskriminator verwendet CycleGAN normalerweise?
    • Ein einzelnes Sigmoid auf dem gesamten Bild
    • Ein vorab trainierter ImageNet-Klassifikator
    • Überhaupt kein Unterscheidungsmerkmal
    • Ein PatchGAN, das Bildpatches klassifiziert
  5. Warum wird in CycleGAN manchmal der Identitätsverlust hinzugefügt?
    • Um die Farbe beizubehalten, wenn eine Eingabe bereits mit der Zieldomäne übereinstimmt
    • Um das Training zu beschleunigen
    • Um die Notwendigkeit von Diskriminatoren zu beseitigen
    • Um Bilder in Skizzen umzuwandeln
  6. Welche davon ist eine klassische CycleGAN-Demonstration?
    • Text aus Sprache generieren
    • Pferdefotos in Zebrafotos verwandeln
    • Handschrift transkribieren
    • Komprimieren von Videodateien
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches