Quiz lié à un guide · Moyen Niveau

Quiz de traduction d'image à image Pix2Pix

Vérifie les exigences de données appariées de Pix2Pix, le générateur U-Net, le discriminateur PatchGAN et les rôles complémentaires des pertes contradictoires et L1.

Chemins de guidage associésTraduction d'image en image Pix2pix
Question 1 de 8

De quel type de données d'entraînement Pix2Pix a-t-il besoin ?

Prévisualisez chaque question8 des questions

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

  1. De quel type de données d'entraînement Pix2Pix a-t-il besoin ?
    • Exemples d'images d'entrée-sortie appariées
    • Aucune donnée du tout
    • Uniquement les légendes de texte
    • Enregistrements audio
  2. Quelle architecture de générateur Pix2Pix utilise-t-il ?
    • Un réseau simple et entièrement connecté
    • Un U-Net avec des connexions sautées
    • Un réseau récurrent
    • Un arbre de décision
  3. Qu'évalue le discriminateur PatchGAN dans Pix2Pix ?
    • L'image entière comme une partition globale
    • La taille du fichier image
    • Réalisme des petits patchs d'images locales
    • Le temps de formation
  4. Pourquoi Pix2Pix ajoute-t-il une perte L1 à la perte contradictoire ?
    • Pour ralentir volontairement l’entraînement
    • Pour supprimer le discriminateur
    • Pour générer du bruit aléatoire
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. Pourquoi les connexions sautées U-Net sont-elles particulièrement utiles pour les tâches de traduction ?
    • Ils transmettent une structure partagée comme les bords directement à travers le réseau
    • Ils suppriment les calques inutiles
    • Ils convertissent les images en texte
    • Ils réduisent la taille de l'ensemble de données
  6. Quel modèle a étendu Pix2Pix pour apprendre des collections d'images non appariées ?
    • ResNet
    • CycleGAN
    • BERTE
    • Mot2Vec
  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