Κουίζ μετάφρασης εικόνας σε εικόνα Pix2Pix

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

1. Τι είδους δεδομένα εκπαίδευσης απαιτεί το Pix2Pix;
   • Παραδείγματα ζευγών εικόνων εισόδου-εξόδου
   • Δεν υπάρχουν καθόλου δεδομένα
   • Μόνο υπότιτλοι κειμένου
   • Ηχογραφήσεις
2. Ποια αρχιτεκτονική γεννήτριας χρησιμοποιεί το Pix2Pix;
   • Ένα απλό πλήρως συνδεδεμένο δίκτυο
   • Ένα U-Net με συνδέσεις παράλειψης
   • Ένα επαναλαμβανόμενο δίκτυο
   • Ένα δέντρο αποφάσεων
3. Τι αξιολογεί το εργαλείο διάκρισης PatchGAN στο Pix2Pix;
   • Ολόκληρη η εικόνα ως μια παγκόσμια παρτιτούρα
   • Το μέγεθος αρχείου εικόνας
   • Ρεαλισμός μικρών τοπικών μπαλωμάτων εικόνας
   • Ο χρόνος προπόνησης
4. Γιατί το Pix2Pix προσθέτει μια απώλεια L1 μαζί με την αντίθετη απώλεια;
   • Να επιβραδύνει την προπόνηση επίτηδες
   • Για να αφαιρέσετε το διακριτικό
   • Για να δημιουργήσετε τυχαίο θόρυβο
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Γιατί οι συνδέσεις παράλειψης U-Net είναι ιδιαίτερα χρήσιμες για εργασίες μετάφρασης;
   • Περνούν κοινή δομή σαν ακμές απευθείας στο δίκτυο
   • Διαγράφουν περιττά επίπεδα
   • Μετατρέπουν τις εικόνες σε κείμενο
   • Μειώνουν το μέγεθος των δεδομένων
6. Ποιο μοντέλο επέκτεινε το Pix2Pix για να μάθει από μη ζευγαρωμένες συλλογές εικόνων;
   • ResNet
   • CycleGAN
   • ΜΠΕΡΤ
   • 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