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.
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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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