Cuestionario vinculado a una guía · Medio Nivel
Prueba de traducción no emparejada de CycleGAN
Revise cómo CycleGAN utiliza mapeos inversos, discriminadores adversarios y coherencia de ciclos para traducir imágenes sin ejemplos emparejados.
Pregunta 1 de 8
¿Qué problema clave resuelve CycleGAN que métodos anteriores como pix2pix no pudieron resolver?
Vista previa de cada pregunta8 preguntas
Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.
- ¿Qué problema clave resuelve CycleGAN que métodos anteriores como pix2pix no pudieron resolver?
- Traduce imágenes sin necesidad de hacer coincidir pares de antes y después.
- Se ejecuta completamente en una CPU móvil.
- Elimina la necesidad de datos de entrenamiento.
- Sólo funciona en imágenes en blanco y negro.
- ¿Qué impone la pérdida de coherencia del ciclo?
- Que todas las imágenes de salida sean en escala de grises.
- Que al traducir una imagen al otro dominio y viceversa se recupera el original
- Que el discriminador siempre gana
- Que los generadores comparten los mismos pesos
- ¿Cuántos generadores utiliza un CycleGAN estándar?
- uno
- cuatro
- dos
- tres
- ¿Qué tipo de discriminador suele utilizar CycleGAN?
- Un solo sigmoide en toda la imagen.
- Un clasificador ImageNet previamente entrenado
- Ningún discriminador en absoluto
- Un PatchGAN que clasifica parches de imágenes
- ¿Por qué a veces se agrega la pérdida de identidad en CycleGAN?
- Para ayudar a preservar el color cuando una entrada ya coincide con el dominio de destino
- Para hacer el entrenamiento más rápido
- Para eliminar la necesidad de discriminadores
- Para convertir imágenes en bocetos
- ¿Cuál de estas es una demostración clásica de CycleGAN?
- Generando texto a partir del habla
- Convertir fotografías de caballos en fotografías de cebras
- transcribir escritura a mano
- Comprimir archivos de vídeo
- Why does a standard CycleGAN use one discriminator for each image domain?
- Each one estimates the image’s text caption
- One discriminator identifies the source dataset and the other the author
- Each discriminator judges whether generated images look realistic in its target domain
- They replace the two generators
- How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
- Generate steering labels from vehicle sounds
- Replace all road images with segmentation text
- Identify a driver from a voice recording
- Translate simulator images toward the visual style of real road scenes without paired matches