Kuis terkait panduan · Sedang Tingkat

Kuis Resolusi Super ESRGAN dan GAN

Pelajari desain peningkatan citra ESRGAN yang bermusuhan, trade-off realisme persepsinya, dan batasan detail yang dihasilkannya.

Jalur panduan terkaitResolusi Super Esrgan dan GAN
Pertanyaan 1 dari 8

Apa yang dimaksud dengan 'GAN' di ESRGAN?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang dimaksud dengan 'GAN' di ESRGAN?
    • Jaringan Permusuhan Generatif
    • Jaringan Akumulasi Gradien
    • Node Pendekatan Gaussian
    • Jaringan Perhatian Global
  2. Blok penyusun apa yang terutama digunakan oleh generator ESRGAN?
    • Sel Memori Jangka Pendek Panjang
    • Blok Padat Residu dalam Residu (RRDB)
    • Lapisan perutean kapsul
    • Blok perhatian diri transformator
  3. Mengapa penulis ESRGAN menghapus normalisasi batch dari generator?
    • Itu terlalu memperlambat latihan
    • Ini meningkatkan memori melebihi batas
    • Itu cenderung memperkenalkan artefak visual
    • Itu tidak kompatibel dengan GAN
  4. Apa keunggulan utama ESRGAN dibandingkan dengan metode yang hanya menghilangkan piksel?
    • Kecepatan melebihi akurasi
    • Akurasi warna dibandingkan resolusi
    • Memori lebih rendah dibandingkan resolusi lebih tinggi
    • Realisme persepsi atas ketepatan piksel
  5. Dimana kerugian persepsi (VGG) ESRGAN diukur?
    • Tentang fitur sebelum aktivasi
    • Hanya pada piksel RGB mentah
    • Tentang skor akhir diskriminator
    • Pada masukan yang ditransformasikan Fourier
  6. Inovasi apa yang diperkenalkan oleh diskriminator ESRGAN?
    • Autoencoder murni konvolusional
    • Diskriminator relativistik yang membandingkan realisme nyata dan realisme palsu
    • Model penghargaan pembelajaran penguatan
    • Pengklasifikasi beku yang telah dilatih sebelumnya
  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