Quiz collegato alla guida · Medio Livello
Quiz sulle reti su denoising e deblurring
Esamina il denoising residuo, il deblurring cieco, i benchmark realistici del rumore della fotocamera e il rischio pratico di inventare i dettagli dell'immagine.
Domanda 1 di 8
Cosa prevede effettivamente DnCNN durante l'allenamento?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Cosa prevede effettivamente DnCNN durante l'allenamento?
- Il rumore residuo, che viene poi sottratto dall'input
- L'esatta impostazione ISO della fotocamera
- Una descrizione testuale della scena
- La mappa di profondità dell'immagine
- Perché il deblurring cieco è considerato più difficile del denoising?
- Perché le immagini sono sempre a colori
- Perché il kernel di sfocatura che descrive il modo in cui i pixel vengono macchiati è solitamente sconosciuto
- Perché la sfocatura ha bisogno di un segnale GPS
- Perché il rumore non può essere aggiunto sinteticamente
- Come vengono generalmente create le coppie di formazione per queste reti?
- Disegnando a mano versioni pulite
- Scansionando i negativi delle pellicole
- Aggiungendo rumore sintetico o sfocatura per pulire le foto
- Registrando l'audio insieme all'immagine
- Quale architettura viene comunemente utilizzata come spina dorsale per il ripristino delle immagini?
- Una semplice regressione lineare
- Un albero decisionale
- Una ricerca di incorporamento di parole
- Un codificatore-decodificatore U-Net
- Qual è l’idea chiave dietro l’approccio formativo Noise2Noise?
- Mappa un'osservazione rumorosa su un'altra rumorosa, senza bisogno di un bersaglio pulito
- Richiede immagini target perfettamente pulite
- Funziona solo sul testo
- Non utilizza alcuna rete neurale
- 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
- 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
- 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