Kuis terkait panduan · Sedang Tingkat

Kuis Menyangkal dan Mengaburkan Jaringan

Tinjau sisa denoising, blind deblurring, tolok ukur noise kamera yang realistis, dan risiko praktis dalam menciptakan detail gambar.

Jalur panduan terkaitMenyangkal dan Mengaburkan Jaringan
Pertanyaan 1 dari 8

Apa yang sebenarnya diprediksi oleh DnCNN selama pelatihan?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang sebenarnya diprediksi oleh DnCNN selama pelatihan?
    • Sisa kebisingan, yang kemudian dikurangi dari masukan
    • Pengaturan ISO kamera yang tepat
    • Deskripsi teks tentang adegan tersebut
    • Peta kedalaman gambar
  2. Mengapa menghilangkan blur secara buta dianggap lebih sulit dibandingkan dengan melakukan denoising?
    • Karena gambar selalu berwarna
    • Karena kernel blur yang menjelaskan bagaimana piksel diolesi biasanya tidak diketahui
    • Karena deblurring membutuhkan sinyal GPS
    • Karena kebisingan tidak dapat ditambahkan secara sintetis
  3. Bagaimana pasangan pelatihan untuk jaringan ini biasanya dibuat?
    • Dengan menggambar versi bersih dengan tangan
    • Dengan memindai film negatif
    • Dengan menambahkan noise atau blur sintetis untuk membersihkan foto
    • Dengan merekam audio di samping gambar
  4. Arsitektur apa yang biasa digunakan sebagai tulang punggung restorasi citra?
    • Regresi linier sederhana
    • Pohon keputusan
    • Pencarian penyematan kata
    • Encoder-decoder U-Net
  5. Apa ide utama di balik pendekatan pelatihan Noise2Noise?
    • Ini memetakan satu observasi berisik ke observasi berisik lainnya, tidak memerlukan target yang jelas
    • Ini membutuhkan gambar target yang benar-benar bersih
    • Ini hanya berfungsi pada teks
    • Ia tidak menggunakan jaringan saraf sama sekali
  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