Pix2Pix Bild-zu-Bild-Übersetzungsquiz

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

1. Welche Trainingsdaten benötigt Pix2Pix?
   • Beispiele für gepaarte Eingabe-Ausgabe-Bilder
   • Überhaupt keine Daten
   • Nur Textbeschriftungen
   • Audioaufnahmen
2. Welche Generatorarchitektur verwendet Pix2Pix?
   • Ein einfaches, vollständig verbundenes Netzwerk
   • Ein U-Net mit Skip-Verbindungen
   • Ein wiederkehrendes Netzwerk
   • Ein Entscheidungsbaum
3. Was wertet der PatchGAN-Diskriminator in Pix2Pix aus?
   • Das gesamte Bild als ein globaler Score
   • Die Größe der Bilddatei
   • Realismus kleiner lokaler Bildfelder
   • Die Trainingszeit
4. Warum fügt Pix2Pix neben dem gegnerischen Verlust auch einen L1-Verlust hinzu?
   • Das Training absichtlich verlangsamen
   • Den Diskriminator entfernen
   • Um zufälliges Rauschen zu erzeugen
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Warum sind die U-Net-Skip-Verbindungen besonders hilfreich für Übersetzungsaufgaben?
   • Sie übergeben gemeinsame Strukturen wie Kanten direkt über das Netzwerk
   • Sie löschen unnötige Ebenen
   • Sie wandeln Bilder in Text um
   • Sie reduzieren die Datensatzgröße
6. Welches Modell hat Pix2Pix erweitert, um aus ungepaarten Bildsammlungen zu lernen?
   • ResNet
   • CycleGAN
   • BERT
   • Word2Vec
7. Why can a PatchGAN discriminator encourage sharper local image texture?
   • It predicts the input labels directly
   • It replaces the generator’s U-Net
   • It judges realism in small image patches rather than only scoring the whole image
   • It computes only global color histograms
8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
   • The learning-rate warmup
   • The GAN’s random seed
   • The PatchGAN receptive-field count
   • The L1 pixel-difference loss