Cuestionario vinculado a una guía · Medio Nivel

Cuestionario sobre eliminación de ruido y desenfoque de redes

Revise la eliminación de ruido residual, la eliminación de desenfoque ciego, los puntos de referencia realistas del ruido de la cámara y el riesgo práctico de inventar detalles de imagen.

Rutas de guía relacionadasEliminación de ruido y desenfoque de redes
Pregunta 1 de 8

¿Qué predice realmente DnCNN durante el entrenamiento?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué predice realmente DnCNN durante el entrenamiento?
    • El ruido residual, que luego se resta de la entrada.
    • La configuración ISO exacta de la cámara
    • Una descripción textual de la escena.
    • El mapa de profundidad de la imagen.
  2. ¿Por qué se considera más difícil eliminar el desenfoque a ciegas que eliminar el ruido?
    • Porque las imágenes siempre están en color
    • Porque el núcleo de desenfoque que describe cómo se difuminan los píxeles suele ser desconocido
    • Porque el desenfoque necesita una señal de GPS
    • Porque el ruido no se puede añadir sintéticamente
  3. ¿Cómo se crean normalmente los pares de entrenamiento para estas redes?
    • Dibujando a mano versiones limpias.
    • Escaneando negativos de película
    • Añadiendo ruido sintético o desenfoque a fotos limpias
    • Grabando audio junto a la imagen.
  4. ¿Qué arquitectura se utiliza comúnmente como columna vertebral para la restauración de imágenes?
    • Una regresión lineal simple
    • Un árbol de decisiones
    • Una búsqueda de incrustación de palabras
    • Un codificador-decodificador U-Net
  5. ¿Cuál es la idea clave detrás del enfoque de formación Noise2Noise?
    • Asigna una observación ruidosa a otra ruidosa, sin necesidad de un objetivo claro.
    • Requiere imágenes de destino perfectamente limpias.
    • Solo funciona en texto
    • No utiliza ninguna red neuronal.
  6. Why can adding perceptual or adversarial objectives be a tradeoff in restoration?
    • They make images impossible to display
    • They may improve visual naturalness but can favor plausible detail beyond pixel fidelity
    • They guarantee exact recovery of every pixel
    • They remove the need for training data
  7. What is SIDD used for in image restoration research?
    • Measuring telescope mirror alignment
    • Ranking speech transcripts
    • Evaluating denoising on real smartphone camera noise
    • Testing particle-detector triggers
  8. What is a risk when a generative restoration model sharpens an image?
    • It always reduces image dimensions
    • It converts every image to grayscale
    • It removes the need to inspect results
    • It may invent plausible detail that was not supported by the measurement