Prueba de superresolución de imágenes

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

1. ¿Por qué se considera que la superresolución de una sola imagen es un problema "mal planteado"?
   • Muchas imágenes diferentes de alta resolución podrían producir la misma entrada de baja resolución
   • Las imágenes de entrada siempre están corruptas sin posibilidad de reparación.
   • Las matemáticas no tienen solución alguna.
   • Requiere más memoria que la que tiene cualquier GPU
2. ¿Cuál es un inconveniente común de entrenar redes de superresolución con solo una pérdida de MSE por píxeles?
   • Las salidas se vuelven demasiado nítidas y ruidosas
   • Las salidas se ven borrosas y demasiado suavizadas
   • La modelo se niega a ampliar la imagen.
   • Sólo puede procesar imágenes en escala de grises.
3. ¿Qué añade el modelo ESRGAN basado en GAN para mejorar la nitidez percibida?
   • Núcleos de interpolación bicúbica más grandes
   • Un filtro de nitidez de bordes basado en reglas
   • Un discriminador y una pérdida de espacio de características perceptivas.
   • Solo más épocas de entrenamiento.
4. ¿Por qué los resultados de superresolución deben tratarse con cautela en entornos médicos o forenses?
   • Siempre son de menor calidad que la entrada.
   • No se pueden guardar en formatos estándar.
   • Duplican el tamaño del archivo cada vez.
   • El modelo inventa detalles plausibles que pueden no ser el verdadero contenido.
5. ¿Cómo genera detalles la superresolución basada en difusión (como SR3)?
   • Refinando iterativamente el ruido en detalle a lo largo de muchos pasos
   • Copiando píxeles de una base de datos de fotografías de archivo.
   • Aplicando una única convolución de nitidez
   • Comprimiendo la imagen con JPEG
6. ¿A qué problema se dirige específicamente Real-ESRGAN en comparación con los modelos SR anteriores?
   • Mejorar solo imágenes de dibujos animados
   • Manejar degradaciones desordenadas del mundo real como el ruido y la compresión
   • Reducir la resolución de la imagen a propósito
   • Convertir imágenes a gráficos vectoriales
7. What does the sub-pixel convolution in ESPCN do?
   • It estimates optical flow between video frames
   • It classifies objects without upsampling
   • It rearranges feature channels into a higher-resolution image grid
   • It adds a text prompt to an image embedding
8. What kind of image pairs did the RealSR dataset collect?
   • Only synthetic Gaussian-noise images
   • Text-only descriptions paired with audio
   • Unpaired medical scans from different patients
   • Real-world paired low- and high-resolution images captured with different cameras or zoom settings