Prueba de traducción de imagen a imagen de Pix2Pix

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

1. ¿Qué tipo de datos de entrenamiento requiere Pix2Pix?
   • Ejemplos de imágenes de entrada y salida emparejadas
   • Ningún dato en absoluto
   • Solo subtítulos de texto
   • Grabaciones de audio
2. ¿Qué arquitectura de generador utiliza Pix2Pix?
   • Una red sencilla y totalmente conectada
   • Una U-Net con conexiones de salto
   • Una red recurrente
   • Un árbol de decisiones
3. ¿Qué evalúa el discriminador PatchGAN en Pix2Pix?
   • La imagen completa como una partitura global
   • El tamaño del archivo de imagen
   • Realismo de pequeños parches de imágenes locales.
   • el tiempo de entrenamiento
4. ¿Por qué Pix2Pix agrega una pérdida L1 junto con la pérdida adversaria?
   • Para ralentizar el entrenamiento a propósito
   • Para eliminar el discriminador
   • Para generar ruido aleatorio
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. ¿Por qué las conexiones de salto U-Net son especialmente útiles para las tareas de traducción?
   • Pasan estructuras compartidas como bordes directamente a través de la red.
   • Eliminan capas innecesarias
   • Convierten imágenes a texto
   • Reducen el tamaño del conjunto de datos
6. ¿Qué modelo amplió Pix2Pix para aprender de colecciones de imágenes no emparejadas?
   • Resnet
   • CicloGAN
   • BERT
   • Palabra2Vec
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