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.

Percorsi guida correlatiReti di denoising e deblurring
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.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  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