Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Zajtalanító és elmosódott hálózatok kvíz

Review residual denoising, blind deblurring, realistic camera-noise benchmarks, and the practical risk of inventing image detail.

kérdés 1 -ból 8

Mit jósol a DnCNN valójában az edzés során?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mit jósol a DnCNN valójában az edzés során?
    • A reziduális zaj, amelyet azután levonnak a bemenetből
    • A kamera pontos ISO beállítása
    • A jelenet szöveges leírása
    • A kép mélységi térképe
  2. Miért tartják nehezebbnek a vak elmosódást, mint a zajtalanítást?
    • Mert a képek mindig színesek
    • Mivel a képpontok elkenődését leíró elmosódási kernel általában ismeretlen
    • Mert az elmosódáshoz GPS-jel kell
    • Mivel a zaj nem adható hozzá szintetikusan
  3. Általában hogyan jönnek létre a képzési párok ezekhez a hálózatokhoz?
    • Tiszta változatok kézzel rajzolásával
    • Filmnegatívok szkennelésével
    • Szintetikus zaj vagy elmosódás hozzáadásával a tiszta fényképekhez
    • Hang rögzítésével a kép mellé
  4. Milyen architektúrát használnak általában a kép-visszaállítás gerinceként?
    • Egyszerű lineáris regresszió
    • Egy döntési fa
    • Szóbeágyazási keresés
    • Egy U-Net kódoló-dekódoló
  5. Mi a Noise2Noise képzési megközelítés alapötlete?
    • Egyik zajos megfigyelést leképez egy másik zajosra, nincs szüksége tiszta célpontra
    • Tökéletesen tiszta célképeket igényel
    • Csak szövegen működik
    • Egyáltalán nem használ neurális hálózatot
  6. Why can adding perceptual or adversarial objectives be a tradeoff in restoration?
    • They make images impossible to display
    • They may improve visual naturalness but can favor plausible detail beyond pixel fidelity
    • They guarantee exact recovery of every pixel
    • They remove the need for training data
  7. What is SIDD used for in image restoration research?
    • Measuring telescope mirror alignment
    • Ranking speech transcripts
    • Evaluating denoising on real smartphone camera noise
    • Testing particle-detector triggers
  8. What is a risk when a generative restoration model sharpens an image?
    • It always reduces image dimensions
    • It converts every image to grayscale
    • It removes the need to inspect results
    • It may invent plausible detail that was not supported by the measurement