Bild-Super-Resolution-Quiz

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

1. Warum wird die Einzelbild-Superauflösung als „schlecht gestelltes“ Problem bezeichnet?
   • Viele verschiedene Bilder mit hoher Auflösung könnten die gleiche Eingabe mit niedriger Auflösung erzeugen
   • Die Eingabebilder sind immer irreparabel beschädigt
   • Die Mathematik hat überhaupt keine Lösung
   • Es benötigt mehr Speicher als jede GPU
2. Was ist ein häufiger Nachteil beim Training von Super-Resolution-Netzwerken mit nur pixelweisem MSE-Verlust?
   • Die Ausgänge werden übermäßig scharf und verrauscht
   • Die Ausgaben sehen verschwommen und übermäßig geglättet aus
   • Das Model weigert sich, das Bild zu vergrößern
   • Es können nur Graustufenbilder verarbeitet werden
3. Was trägt das GAN-basierte Modell ESRGAN zur Verbesserung der wahrgenommenen Schärfe bei?
   • Größere bikubische Interpolationskerne
   • Ein regelbasierter Kantenschärfungsfilter
   • Ein Diskriminator und ein Wahrnehmungsmerkmalsraumverlust
   • Nur weitere Trainingsepochen
4. Warum müssen Super-Resolution-Ausgaben in forensischen oder medizinischen Bereichen mit Vorsicht behandelt werden?
   • Sie sind immer von geringerer Qualität als die Eingabe
   • Sie können nicht in Standardformaten gespeichert werden
   • Sie verdoppeln jedes Mal die Dateigröße
   • Das Modell erfindet plausible Details, die möglicherweise nicht der wahre Inhalt sind
5. Wie erzeugt die diffusionsbasierte Superauflösung (wie SR3) Details?
   • Durch iteratives Verfeinern des Rauschens im Detail über viele Schritte hinweg
   • Durch Kopieren von Pixeln aus einer Datenbank mit Archivfotos
   • Durch Anwenden einer einzelnen Schärfungsfaltung
   • Durch Komprimieren des Bildes mit JPEG
6. Auf welches Problem zielt Real-ESRGAN im Vergleich zu früheren SR-Modellen konkret ab?
   • Hochskalieren nur von Cartoon-Bildern
   • Umgang mit chaotischen Beeinträchtigungen in der realen Welt wie Rauschen und Komprimierung
   • Bildauflösung absichtlich reduzieren
   • Konvertieren von Bildern in Vektorgrafiken
7. What does the sub-pixel convolution in ESPCN do?
   • It estimates optical flow between video frames
   • It classifies objects without upsampling
   • It rearranges feature channels into a higher-resolution image grid
   • It adds a text prompt to an image embedding
8. What kind of image pairs did the RealSR dataset collect?
   • Only synthetic Gaussian-noise images
   • Text-only descriptions paired with audio
   • Unpaired medical scans from different patients
   • Real-world paired low- and high-resolution images captured with different cameras or zoom settings