Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ ESRGAN και GAN Super-Resolution

Μελετήστε τον αντίπαλο σχεδιασμό αναβάθμισης της εικόνας του ESRGAN, τον αντιληπτικό ρεαλισμό του και τα όρια της παραγόμενης λεπτομέρειας του.

Σχετικές διαδρομές οδηγώνEsrgan And GAN Super Resolution
Ερώτηση 1 του 8

Τι αναφέρεται το 'GAN' στο ESRGAN;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι αναφέρεται το 'GAN' στο ESRGAN;
    • Generative Adversarial Network
    • Δίκτυο συσσώρευσης κλίσης
    • Gaussian Approximation Node
    • Παγκόσμιο Δίκτυο Προσοχής
  2. Τι δομικό στοιχείο χρησιμοποιεί κυρίως η γεννήτρια ESRGAN;
    • Κυψέλες μακράς βραχυπρόθεσμης μνήμης
    • Υπολειπόμενα πυκνά μπλοκ (RRDB)
    • Στρώματα δρομολόγησης καψουλών
    • Μπλοκ αυτοπροσοχής μετασχηματιστή
  3. Γιατί οι συντάκτες του ESRGAN αφαίρεσαν την κανονικοποίηση παρτίδας από τη γεννήτρια;
    • Επιβράδυνε πάρα πολύ την προπόνηση
    • Αύξησε τη μνήμη πέρα από τα όρια
    • Έτεινε να εισάγει οπτικά τεχνουργήματα
    • Ήταν ασύμβατο με τα GAN
  4. Ποιος είναι ο κύριος συμβιβασμός που κάνει το ESRGAN σε σύγκριση με τις μεθόδους μόνο για απώλεια pixel;
    • Ταχύτητα πάνω από την ακρίβεια
    • Ακρίβεια χρώματος σε σχέση με την ανάλυση
    • Χαμηλότερη μνήμη έναντι υψηλότερης ανάλυσης
    • Αντιληπτικός ρεαλισμός πάνω από ακριβή πιστότητα pixel
  5. Πού μετράται η αντιληπτική απώλεια (VGG) του ESRGAN;
    • Στις λειτουργίες πριν από την ενεργοποίηση
    • Μόνο σε ακατέργαστα pixel RGB
    • Στο τελικό σκορ του διακριτή
    • Σε εισόδους μετασχηματισμένους με Fourier
  6. Ποια καινοτομία εισήγαγε ο διακριτικός της ESRGAN;
    • Ένας καθαρά συνελικτικός αυτόματος κωδικοποιητής
    • Ένας σχετικιστικός διαχωριστής που συγκρίνει τον πραγματικό με τον ψεύτικο ρεαλισμό
    • Ένα μοντέλο ανταμοιβής ενίσχυσης-μάθησης
    • Ένας παγωμένος προεκπαιδευμένος ταξινομητής
  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