Prueba práctica de restauración de Real-ESRGAN

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

1. ¿Qué debilidad clave del ESRGAN original abordó Real-ESRGAN?
   • Fue entrenado únicamente en reducción de escala bicúbica limpia.
   • Sólo funcionó en imágenes en escala de grises.
   • No se pudo ejecutar en GPU
   • Requería fotos reales emparejadas.
2. ¿Qué es el modelo de 'degradación de alto orden' de Real-ESRGAN?
   • Un generador de mayor resolución
   • Una cadena de múltiples degradaciones aleatorias aplicadas en secuencia.
   • Un nuevo mecanismo de atención
   • Un discriminador más grande
3. ¿Qué arquitectura discriminadora utiliza Real-ESRGAN?
   • Un único clasificador lineal
   • Una red recurrente
   • Una U-Net con normalización espectral
   • Un VGG congelado
4. ¿Qué artefactos reproducen los filtros 'sinc' en Real-ESRGAN?
   • bandas de color
   • Destello de lente
   • aberración cromática
   • Sonando y sobrepasando
5. ¿Qué columna vertebral conserva el generador Real-ESRGAN de ESRGAN?
   • Los bloques RRDB
   • Un codificador transformador
   • Una U-Net de difusión
   • Una pila LSTM
6. In GFPGAN’s documented inference command, which background upsampler is set by default?
   • Real-ESRGAN
   • ESRGAN only
   • A fixed bicubic resize
   • No background upsampler is supported
7. What kind of images is Real-ESRGAN’s anime checkpoint intended to restore?
   • Only medical CT scans
   • Only satellite photographs
   • Anime illustrations
   • Only grayscale handwritten documents
8. Why can tiled inference help when restoring a very large image?
   • It guarantees that every tile contains the same details
   • It replaces super-resolution with image compression
   • It prevents the model from seeing any neighboring pixels
   • It processes smaller patches to reduce peak memory use