Quiz zur Bildkolorierung

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

1. Warum wird die Bildkolorierung als „falsch gestelltes“ Problem angesehen?
   • Ein einzelner Graustufenwert kann vielen verschiedenen realen Farben entsprechen
   • Graustufenbilder enthalten keinerlei verwertbare Informationen
   • Farbbilder sind zu groß für die Verarbeitung
   • Kameras können keine Graustufen mehr aufzeichnen
2. Was erhält das Netzwerk beim beliebten Lab-Farbraum-Ansatz als Eingabe?
   • Das vollständige RGB-Bild
   • Nur der L-Kanal (Helligkeit).
   • Nur der rote Kanal
   • Eine Tiefenkarte der Szene
3. Warum haben Zhang et al. Rahmenfarbvorhersage als Klassifizierung über Farb-„Bins“ und nicht als direkte Regression?
   • Denn Klassifizierung ist das Einzige, was neuronale Netze leisten können
   • Um die Bilder zu verkleinern
   • Um zu vermeiden, dass gültige Farben zu stumpfen, entsättigten Ergebnissen führen
   • Um die Notwendigkeit von Trainingsdaten zu beseitigen
4. Wie lernen Modelle, welche Farben Objekte haben sollten, ohne dass es ihnen gesagt wird?
   • Sie werden manuell mit einer Liste der Farben jedes Objekts programmiert
   • Sie raten jedes Mal zufällig
   • Sie lesen Farbmetadaten, die in Graustufendateien gespeichert sind
   • Sie lernen statistische Prioritäten aus Millionen von in Graustufen konvertierten Farbfotos
5. Was ist die größte Herausforderung beim Einfärben von Videos anstelle einzelner Fotos?
   • Achten Sie darauf, dass die Farben über alle Frames hinweg konsistent bleiben, um ein Flackern zu vermeiden
   • Videos haben keine Graustufenversion
   • Es ist unmöglich, bewegten Bildern Farbe hinzuzufügen
   • Jeder Rahmen muss eine andere Farbe haben
6. Was ermöglicht die exemplarbasierte oder hintbasierte Kolorierung einem Benutzer?
   • Konvertieren Sie Farbbilder wieder nur in Graustufen
   • Leiten Sie die Ausgabe anhand von Referenzbildern oder angeklickten Farbhinweisen
   • Deaktivieren Sie das neuronale Netzwerk vollständig
   • Übersetzen Sie das Bild in eine andere Sprache
7. In the CIE Lab setup described in the guide, which channels does the network predict?
   • The L lightness channel only
   • RGB red and green but not blue
   • The a and b chrominance channels
   • The image’s camera pose
8. Why can direct regression toward an average color produce dull colorization?
   • The model is forced to output only black
   • Regression removes the lightness channel
   • The network cannot use training examples
   • Several plausible colors for a gray pixel may average to a muted, less likely color