Quiz collegato alla guida · Medio Livello

ESRGAN e GAN Super-Risoluzione Quiz

Studia il design contraddittorio di upscaling delle immagini di ESRGAN, il suo compromesso in termini di realismo percettivo e i limiti dei dettagli generati.

Percorsi guida correlatiEsrgan e GAN Super Resolution
Domanda 1 di 8

A cosa si riferisce il termine "GAN" in ESRGAN?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. A cosa si riferisce il termine "GAN" in ESRGAN?
    • Rete avversaria generativa
    • Rete di accumulo dei gradienti
    • Nodo di approssimazione gaussiana
    • Rete globale di attenzione
  2. Quale elemento costitutivo utilizza principalmente il generatore ESRGAN?
    • Celle di memoria a lungo termine
    • Blocchi densi residui nel residuo (RRDB)
    • Strati di instradamento delle capsule
    • Blocchi dell'autoattenzione del trasformatore
  3. Perché gli autori di ESRGAN hanno rimosso la normalizzazione batch dal generatore?
    • Ha rallentato troppo l'allenamento
    • Ha aumentato la memoria oltre i limiti
    • Tendeva a introdurre artefatti visivi
    • Era incompatibile con i GAN
  4. Qual è il principale compromesso che ESRGAN offre rispetto ai metodi che prevedono solo la perdita di pixel?
    • Velocità più che precisione
    • Precisione del colore rispetto alla risoluzione
    • Meno memoria rispetto a una risoluzione più alta
    • Realismo percettivo rispetto all'esatta fedeltà dei pixel
  5. Dove viene misurata la perdita percettiva (VGG) di ESRGAN?
    • Sulle funzionalità prima dell'attivazione
    • Solo su pixel RGB grezzi
    • Sul punteggio finale del discriminatore
    • Sugli ingressi trasformati di Fourier
  6. Quale innovazione ha introdotto il discriminatore ESRGAN?
    • Un codificatore automatico puramente convoluzionale
    • Un discriminatore relativistico che confronta il realismo reale con quello falso
    • Un modello di ricompensa per l’apprendimento per rinforzo
    • Un classificatore preaddestrato congelato
  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