Quiz sur la super-résolution d'images

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Pourquoi la super-résolution d'une image unique est-elle qualifiée de problème « mal posé » ?
   • De nombreuses images haute résolution différentes pourraient produire la même entrée basse résolution
   • Les images d'entrée sont toujours corrompues de manière irréparable
   • Les mathématiques n'ont aucune solution
   • Il nécessite plus de mémoire que n’importe quel GPU
2. Quel est l'inconvénient courant de la formation de réseaux à super-résolution avec seulement une perte MSE au niveau des pixels ?
   • Les sorties deviennent trop nettes et bruyantes
   • Les sorties semblent floues et trop lissées
   • Le modèle refuse d'agrandir l'image
   • Il ne peut traiter que les images en niveaux de gris
3. Qu'ajoute le modèle ESRGAN basé sur GAN pour améliorer la netteté perçue ?
   • Noyaux d'interpolation bicubiques plus gros
   • Un filtre de netteté des bords basé sur des règles
   • Un discriminateur et une perte d’espace de fonctionnalités perceptuelles
   • Plus d'époques de formation uniquement
4. Pourquoi les sorties super-résolution doivent-elles être traitées avec prudence dans les contextes médico-légaux ou médicaux ?
   • Ils sont toujours de moins bonne qualité que l'entrée
   • Ils ne peuvent pas être enregistrés dans des formats standards
   • Ils doublent la taille du fichier à chaque fois
   • Le modèle invente des détails plausibles qui pourraient ne pas être le véritable contenu
5. Comment la super-résolution basée sur la diffusion (comme SR3) génère-t-elle des détails ?
   • En affinant le bruit de manière itérative en plusieurs étapes
   • En copiant les pixels d'une base de données de photos d'archives
   • En appliquant une seule convolution d’affûtage
   • En compressant l'image avec JPEG
6. Quel problème Real-ESRGAN cible-t-il spécifiquement par rapport aux modèles SR précédents ?
   • Mise à l'échelle uniquement des images de dessins animés
   • Gérer les dégradations désordonnées du monde réel comme le bruit et la compression
   • Réduire volontairement la résolution de l’image
   • Conversion d'images en graphiques vectoriels
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