Kuis Resolusi Super Gambar

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Mengapa resolusi super gambar tunggal disebut sebagai masalah 'yang salah'?
   • Banyak gambar beresolusi tinggi yang berbeda dapat menghasilkan masukan resolusi rendah yang sama
   • Gambar masukan selalu rusak dan tidak dapat diperbaiki lagi
   • Matematika tidak memiliki solusi sama sekali
   • Ini membutuhkan lebih banyak memori daripada yang dimiliki GPU mana pun
2. Apa kelemahan umum dalam melatih jaringan resolusi super yang hanya kehilangan MSE berdasarkan piksel?
   • Output menjadi terlalu tajam dan berisik
   • Output terlihat buram dan terlalu halus
   • Model menolak memperbesar gambar
   • Itu hanya dapat memproses gambar skala abu-abu
3. Apa yang ditambahkan oleh model ESRGAN berbasis GAN untuk meningkatkan ketajaman yang dirasakan?
   • Kernel interpolasi bikubik yang lebih besar
   • Filter penajaman tepi berbasis aturan
   • Diskriminator dan hilangnya ruang fitur persepsi
   • Lebih banyak periode pelatihan saja
4. Mengapa keluaran resolusi super harus ditangani secara hati-hati dalam lingkungan forensik atau medis?
   • Kualitasnya selalu lebih rendah daripada masukannya
   • Mereka tidak dapat disimpan dalam format standar
   • Mereka menggandakan ukuran file setiap saat
   • Model ini menciptakan detail yang masuk akal yang mungkin bukan isi sebenarnya
5. Bagaimana resolusi super berbasis difusi (seperti SR3) menghasilkan detail?
   • Dengan menyempurnakan kebisingan menjadi detail secara berulang dalam banyak langkah
   • Dengan menyalin piksel dari database stok foto
   • Dengan menerapkan konvolusi penajaman tunggal
   • Dengan mengompresi gambar dengan JPEG
6. Masalah apa yang secara khusus ditargetkan oleh Real-ESRGAN dibandingkan dengan model SR sebelumnya?
   • Hanya meningkatkan gambar kartun
   • Menangani degradasi dunia nyata yang berantakan seperti kebisingan dan kompresi
   • Mengurangi resolusi gambar dengan sengaja
   • Mengubah gambar menjadi grafik vektor
7. What does the sub-pixel convolution in ESPCN do?
   • It estimates optical flow between video frames
   • It classifies objects without upsampling
   • It rearranges feature channels into a higher-resolution image grid
   • It adds a text prompt to an image embedding
8. What kind of image pairs did the RealSR dataset collect?
   • Only synthetic Gaussian-noise images
   • Text-only descriptions paired with audio
   • Unpaired medical scans from different patients
   • Real-world paired low- and high-resolution images captured with different cameras or zoom settings