Quiz collegato alla guida · Medio Livello
Pix2Pix Quiz sulla traduzione da immagine a immagine
Controlla i requisiti di dati accoppiati di Pix2Pix, il generatore U-Net, il discriminatore PatchGAN e i ruoli complementari delle perdite avversarie e L1.
Domanda 1 di 8
Che tipo di dati di addestramento richiede Pix2Pix?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Che tipo di dati di addestramento richiede Pix2Pix?
- Esempi di immagini input-output accoppiate
- Nessun dato
- Solo sottotitoli di testo
- Registrazioni audio
- Quale architettura del generatore utilizza Pix2Pix?
- Una rete semplice e completamente connessa
- Una U-Net con connessioni saltate
- Una rete ricorrente
- Un albero decisionale
- Cosa valuta il discriminatore PatchGAN in Pix2Pix?
- L'intera immagine come un punteggio globale
- La dimensione del file immagine
- Realismo di piccole patch di immagini locali
- Il tempo della formazione
- Perché Pix2Pix aggiunge una perdita L1 insieme alla perdita dell'avversario?
- Per rallentare apposta l'allenamento
- Per rimuovere il discriminatore
- Per generare rumore casuale
- To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
- Perché le connessioni skip di U-Net sono particolarmente utili per le attività di traduzione?
- Passano strutture condivise come bordi direttamente attraverso la rete
- Eliminano i livelli non necessari
- Convertono le immagini in testo
- Riducono la dimensione del set di dati
- Quale modello ha esteso Pix2Pix per imparare da raccolte di immagini non accoppiate?
- ResNet
- CicloGAN
- BERT
- Word2Vec
- Why can a PatchGAN discriminator encourage sharper local image texture?
- It predicts the input labels directly
- It replaces the generator’s U-Net
- It judges realism in small image patches rather than only scoring the whole image
- It computes only global color histograms
- In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
- The learning-rate warmup
- The GAN’s random seed
- The PatchGAN receptive-field count
- The L1 pixel-difference loss