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.
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.
- Mire utal a „GAN” az ESRGAN-ban?
- Generatív ellenséges hálózat
- Gradiens Akkumulációs Hálózat
- Gauss közelítési csomópont
- Global Attention Network
- 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
- 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
- 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
- Hol mérik az ESRGAN észlelési (VGG) veszteségét?
- A funkciók aktiválása előtt
- Csak nyers RGB pixeleken
- A diszkriminátor végső pontszámáról
- Fourier-transzformált bemeneteken
- 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
- 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
- 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