Mit dem Guide verknüpftes Quiz · Mittel Ebene

ESRGAN- und GAN-Super-Resolution-Quiz

Studieren Sie das widersprüchliche Bild-Upscaling-Design von ESRGAN, seinen Kompromiss hinsichtlich des Wahrnehmungsrealismus und die Grenzen seiner generierten Details.

Verwandte FührungspfadeEsrgan und GAN Super Resolution
Frage 1 von 8

Worauf bezieht sich das „GAN“ in ESRGAN?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Worauf bezieht sich das „GAN“ in ESRGAN?
    • Generatives gegnerisches Netzwerk
    • Gradient Accumulation Network
    • Gaußscher Näherungsknoten
    • Globales Aufmerksamkeitsnetzwerk
  2. Welchen Baustein verwendet der ESRGAN-Generator hauptsächlich?
    • Lange Kurzzeitgedächtniszellen
    • Residual-in-Residual Dense Blocks (RRDB)
    • Kapsel-Routing-Ebenen
    • Transformer blockiert die Selbstaufmerksamkeit
  3. Warum haben die Autoren von ESRGAN die Batch-Normalisierung aus dem Generator entfernt?
    • Es hat das Training zu sehr verlangsamt
    • Es steigerte das Gedächtnis über die Grenzen hinaus
    • Es führte tendenziell zu visuellen Artefakten
    • Es war nicht mit GANs kompatibel
  4. Was ist der Hauptkompromiss, den ESRGAN im Vergleich zu reinen Pixelverlustmethoden eingeht?
    • Geschwindigkeit geht vor Genauigkeit
    • Farbgenauigkeit über Auflösung
    • Weniger Speicher bei höherer Auflösung
    • Wahrnehmungsrealismus statt exakter Pixeltreue
  5. Wo wird der Wahrnehmungsverlust (VGG) von ESRGAN gemessen?
    • Auf Funktionen vor der Aktivierung
    • Nur auf rohen RGB-Pixeln
    • Auf das Endergebnis des Diskriminators
    • Über Fourier-transformierte Eingaben
  6. Welche Innovation hat der Diskriminator von ESRGAN eingeführt?
    • Ein reiner Faltungs-Autoencoder
    • Ein relativistischer Diskriminator, der echten und falschen Realismus vergleicht
    • Ein Belohnungsmodell für verstärktes Lernen
    • Ein eingefrorener vorab trainierter Klassifikator
  7. Which competition did the ESRGAN paper report winning?
    • The ImageNet classification challenge
    • The Vesuvius Challenge
    • The PIRM 2018 perceptual super-resolution challenge
    • The COCO image-captioning challenge
  8. Why should generated detail from ESRGAN not be treated as recovered photographic evidence?
    • The model records the original sensor data exactly
    • GANs can only enlarge images without changing pixels
    • The output is guaranteed to match the lost high-resolution image
    • The model can synthesize plausible textures that were not present in the low-resolution input