Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zum Entrauschen und Entschärfen von Netzwerken

Informieren Sie sich über die Restrauschunterdrückung, die blinde Unschärfe, realistische Kamerarausch-Benchmarks und das praktische Risiko, Bilddetails zu erfinden.

Verwandte FührungspfadeEntrauschen und Entschärfen von Netzwerken
Frage 1 von 8

Was sagt DnCNN eigentlich während des Trainings voraus?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Was sagt DnCNN eigentlich während des Trainings voraus?
    • Der Rauschrest, der dann von der Eingabe subtrahiert wird
    • Die genaue ISO-Einstellung der Kamera
    • Eine Textbeschreibung der Szene
    • Die Tiefenkarte des Bildes
  2. Warum gilt das blinde Entschärfen als schwieriger als das Entrauschen?
    • Weil Bilder immer in Farbe sind
    • Denn der Unschärfekern, der beschreibt, wie Pixel verschmiert werden, ist normalerweise unbekannt
    • Denn zum Entschärfen ist ein GPS-Signal erforderlich
    • Denn Rauschen lässt sich nicht synthetisch hinzufügen
  3. Wie werden Trainingspaare für diese Netzwerke normalerweise erstellt?
    • Durch Handzeichnung sauberer Versionen
    • Durch das Scannen von Filmnegativen
    • Durch Hinzufügen von synthetischem Rauschen oder Unschärfe zu sauberen Fotos
    • Durch die Aufnahme von Ton neben dem Bild
  4. Welche Architektur wird üblicherweise als Rückgrat für die Bildwiederherstellung verwendet?
    • Eine einfache lineare Regression
    • Ein Entscheidungsbaum
    • Eine Worteinbettungssuche
    • Ein U-Net-Encoder-Decoder
  5. Was ist die Kernidee hinter dem Noise2Noise-Trainingsansatz?
    • Es ordnet eine verrauschte Beobachtung einer anderen verrauschten Beobachtung zu und benötigt dafür kein sauberes Ziel
    • Es erfordert vollkommen saubere Zielbilder
    • Es funktioniert nur bei Text
    • Es verwendet überhaupt kein neuronales Netzwerk
  6. Why can adding perceptual or adversarial objectives be a tradeoff in restoration?
    • They make images impossible to display
    • They may improve visual naturalness but can favor plausible detail beyond pixel fidelity
    • They guarantee exact recovery of every pixel
    • They remove the need for training data
  7. What is SIDD used for in image restoration research?
    • Measuring telescope mirror alignment
    • Ranking speech transcripts
    • Evaluating denoising on real smartphone camera noise
    • Testing particle-detector triggers
  8. What is a risk when a generative restoration model sharpens an image?
    • It always reduces image dimensions
    • It converts every image to grayscale
    • It removes the need to inspect results
    • It may invent plausible detail that was not supported by the measurement