Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Real-ESRGAN gyakorlati helyreállítási kvíz

Learn how Real-ESRGAN simulates real-world image degradation and handles noise, compression, and memory constraints during restoration.

Kapcsolódó útmutató utakValódi Esrgan gyakorlati helyreállítás
kérdés 1 -ból 8

Az eredeti ESRGAN melyik kulcsfontosságú gyengeségével foglalkozott a Real-ESRGAN?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Az eredeti ESRGAN melyik kulcsfontosságú gyengeségével foglalkozott a Real-ESRGAN?
    • Csak a tiszta bicubic leskálázásra oktatták
    • Csak szürkeárnyalatos képeken működött
    • Nem tudott GPU-n futni
    • Valódi páros fotók kellettek hozzá
  2. Mi a Real-ESRGAN „magas rendű leromlási” modellje?
    • Nagyobb felbontású generátor
    • Sorozatosan alkalmazott többszörös véletlenszerű lebomlás lánca
    • Új figyelemmechanizmus
    • Nagyobb diszkriminátor
  3. Milyen megkülönböztető architektúrát használ a Real-ESRGAN?
    • Egyetlen lineáris osztályozó
    • Ismétlődő hálózat
    • Egy U-Net spektrális normalizálással
    • Egy lefagyott VGG
  4. Milyen műtermékeket reprodukálnak a Real-ESRGAN „sinc” szűrői?
    • Színes sávozás
    • Lencse fáklya
    • Kromatikus aberráció
    • Csengetés és túllövés
  5. Milyen gerincet őriz meg a Real-ESRGAN generátor az ESRGAN-tól?
    • Az RRDB blokkok
    • Transzformátor kódoló
    • Egy diffúziós U-Net
    • Egy LSTM verem
  6. In GFPGAN’s documented inference command, which background upsampler is set by default?
    • Real-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