Cuestionario vinculado a una guía · Medio Nivel

Prueba de superresolución ESRGAN y GAN

Estudie el diseño adversario de mejora de imagen de ESRGAN, su compromiso de realismo perceptual y los límites de los detalles generados.

Rutas de guía relacionadasEsrgan y GAN Super Resolution
Pregunta 1 de 8

¿A qué se refiere el 'GAN' en ESRGAN?

Vista previa de cada pregunta8 preguntas

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

  1. ¿A qué se refiere el 'GAN' en ESRGAN?
    • Red de confrontación generativa
    • Red de acumulación de gradiente
    • Nodo de aproximación gaussiana
    • Red de Atención Global
  2. ¿Qué componente básico utiliza principalmente el generador ESRGAN?
    • Células de memoria a corto plazo
    • Bloques residuales en residuos densos (RRDB)
    • Capas de enrutamiento de cápsulas
    • Bloques de autoatención de transformadores
  3. ¿Por qué los autores de ESRGAN eliminaron la normalización por lotes del generador?
    • Ralentizó demasiado el entrenamiento.
    • Aumentó la memoria más allá de los límites.
    • Tendía a introducir artefactos visuales.
    • Era incompatible con las GAN.
  4. ¿Cuál es la principal compensación que hace ESRGAN en comparación con los métodos de pérdida de píxeles únicamente?
    • Velocidad sobre precisión
    • Precisión del color sobre la resolución
    • Menos memoria sobre mayor resolución
    • Realismo perceptual sobre fidelidad exacta de píxeles
  5. ¿Dónde se mide la pérdida de percepción (VGG) de ESRGAN?
    • Sobre las funciones antes de la activación
    • Solo en píxeles RGB sin formato
    • Sobre la puntuación final del discriminador
    • Sobre entradas transformadas de Fourier
  6. ¿Qué innovación introdujo el discriminador de ESRGAN?
    • Un codificador automático puramente convolucional
    • Un discriminador relativista que compara el realismo real con el falso
    • Un modelo de recompensa de aprendizaje por refuerzo
    • Un clasificador preentrenado congelado
  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