Útmutatóhoz kapcsolódó kvíz · Közepes Szint

ESRGAN és GAN szuperfelbontású kvíz

Study ESRGAN’s adversarial image-upscaling design, its perceptual realism tradeoff, and the limits of its generated detail.

Kapcsolódó útmutató utakEsrgan és GAN Super Resolution
kérdés 1 -ból 8

Mire utal a „GAN” az ESRGAN-ban?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mire utal a „GAN” az ESRGAN-ban?
    • Generatív ellenséges hálózat
    • Gradiens Akkumulációs Hálózat
    • Gauss közelítési csomópont
    • Global Attention Network
  2. Melyik építőelemet használja elsősorban az ESRGAN generátor?
    • Hosszú távú rövid távú memória cellák
    • Residual-in-Residual Dense Blocks (RRDB)
    • Kapszula útválasztó rétegek
    • Transzformátor önfigyelő blokkok
  3. Miért távolították el az ESRGAN szerzői a kötegelt normalizálást a generátorból?
    • Túlságosan lelassította az edzést
    • Határon túl növelte a memóriát
    • Hajlamos volt vizuális műtermékek bevezetésére
    • Nem volt kompatibilis a GAN-okkal
  4. Mi az ESRGAN fő kompromisszuma a csak pixelvesztéses módszerekhez képest?
    • Sebesség a pontosság felett
    • Színpontosság a felbontáshoz képest
    • Kisebb memória nagyobb felbontásnál
    • Percepciós realizmus a pontos pixelhűség felett
  5. Hol mérik az ESRGAN észlelési (VGG) veszteségét?
    • A funkciók aktiválása előtt
    • Csak nyers RGB pixeleken
    • A diszkriminátor végső pontszámáról
    • Fourier-transzformált bemeneteken
  6. Milyen újítást vezetett be az ESRGAN diszkriminátora?
    • Egy tisztán konvolúciós autoencoder
    • Egy relativisztikus diszkriminátor, amely összehasonlítja a valódi és a hamis realizmust
    • Megerősítő-tanulási jutalommodell
    • Egy fagyasztott előképzett osztályozó
  7. Which competition did the ESRGAN paper report winning?
    • The ImageNet classification challenge
    • The Vesuvius Challenge
    • The PIRM 2018 perceptual super-resolution challenge
    • The COCO image-captioning challenge
  8. Why should generated detail from ESRGAN not be treated as recovered photographic evidence?
    • The model records the original sensor data exactly
    • GANs can only enlarge images without changing pixels
    • The output is guaranteed to match the lost high-resolution image
    • The model can synthesize plausible textures that were not present in the low-resolution input