Mit dem Guide verknüpftes Quiz · Mittel Ebene

Real-ESRGAN Praktisches Restaurierungsquiz

Erfahren Sie, wie Real-ESRGAN eine reale Bildverschlechterung simuliert und Rauschen, Komprimierung und Speicherbeschränkungen während der Wiederherstellung bewältigt.

Verwandte FührungspfadeEchte praktische Wiederherstellung von Esrgan
Frage 1 von 8

Welche Hauptschwäche des ursprünglichen ESRGAN hat Real-ESRGAN behoben?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

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

  1. Welche Hauptschwäche des ursprünglichen ESRGAN hat Real-ESRGAN behoben?
    • Es wurde nur auf sauberes bikubisches Downscaling trainiert
    • Es funktionierte nur bei Graustufenbildern
    • Es konnte nicht auf GPUs ausgeführt werden
    • Es waren gepaarte echte Fotos erforderlich
  2. Was ist das „High-Order-Degradation“-Modell von Real-ESRGAN?
    • Ein Generator mit höherer Auflösung
    • Eine Kette mehrerer nacheinander angewendeter zufälliger Verschlechterungen
    • Ein neuer Aufmerksamkeitsmechanismus
    • Ein größerer Diskriminator
  3. Welche Diskriminatorarchitektur verwendet Real-ESRGAN?
    • Ein einzelner linearer Klassifikator
    • Ein wiederkehrendes Netzwerk
    • Ein U-Net mit spektraler Normalisierung
    • Ein gefrorenes VGG
  4. Welche Artefakte reproduzieren die „sinc“-Filter in Real-ESRGAN?
    • Farbstreifen
    • Linseneffekt
    • Chromatische Aberration
    • Klingeln und Überschwingen
  5. Welches Rückgrat behält der Real-ESRGAN-Generator von ESRGAN?
    • Die RRDB-Blöcke
    • Ein Transformator-Encoder
    • Ein Diffusions-U-Net
    • Ein LSTM-Stack
  6. In GFPGAN’s documented inference command, which background upsampler is set by default?
    • Echt-ESRGAN
    • ESRGAN only
    • A fixed bicubic resize
    • No background upsampler is supported
  7. What kind of images is Real-ESRGAN’s anime checkpoint intended to restore?
    • Only medical CT scans
    • Only satellite photographs
    • Anime illustrations
    • Only grayscale handwritten documents
  8. Why can tiled inference help when restoring a very large image?
    • It guarantees that every tile contains the same details
    • It replaces super-resolution with image compression
    • It prevents the model from seeing any neighboring pixels
    • It processes smaller patches to reduce peak memory use