Quiz pratique sur la restauration Real-ESRGAN

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

1. Quelle faiblesse clé de l’ESRGAN original Real-ESRGAN a-t-il corrigé ?
   • Il a été formé uniquement sur une réduction d'échelle bicubique propre
   • Cela n'a fonctionné que sur les images en niveaux de gris
   • Il ne pouvait pas fonctionner sur les GPU
   • Il fallait de vraies photos jumelées
2. Qu'est-ce que le modèle de « dégradation d'ordre élevé » de Real-ESRGAN ?
   • Un générateur à plus haute résolution
   • Une chaîne de multiples dégradations aléatoires appliquées en séquence
   • Un nouveau mécanisme d'attention
   • Un plus grand discriminateur
3. Quelle architecture de discriminateur Real-ESRGAN utilise-t-il ?
   • Un seul classificateur linéaire
   • Un réseau récurrent
   • Un U-Net avec normalisation spectrale
   • Un VGG glacé
4. Quels artefacts les filtres « sinc » de Real-ESRGAN reproduisent-ils ?
   • Bandes de couleur
   • Lumière parasite
   • Aberration chromatique
   • Sonnerie et dépassement
5. Quelle épine dorsale le générateur Real-ESRGAN conserve-t-il d'ESRGAN ?
   • Les blocs RRDB
   • Un encodeur transformateur
   • Un U-Net de diffusion
   • Une pile LSTM
6. In GFPGAN’s documented inference command, which background upsampler is set by default?
   • Réel-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