가이드 연계 퀴즈 · 중간 레벨
노이즈 제거 및 디블러링 네트워크 퀴즈
잔여 노이즈 제거, 블라인드 디블러링, 사실적인 카메라 노이즈 벤치마크 및 이미지 디테일 개발에 따른 실질적인 위험을 검토합니다.
질문 1 의 8
DnCNN은 훈련 중에 실제로 무엇을 예측합니까?
모든 질문 미리보기8 질문
퀴즈를 풀면 정답과 설명이 나타납니다.
- DnCNN은 훈련 중에 실제로 무엇을 예측합니까?
- 잡음 잔차는 입력에서 차감됩니다.
- 정확한 카메라 ISO 설정
- 장면에 대한 텍스트 설명
- 이미지의 깊이 맵
- 블라인드 디블러링이 노이즈 제거보다 어려운 이유는 무엇입니까?
- 이미지는 항상 컬러이기 때문에
- 픽셀이 번지는 방식을 설명하는 흐림 커널은 일반적으로 알려져 있지 않기 때문입니다.
- 디블러링에는 GPS 신호가 필요하기 때문에
- 노이즈를 합성적으로 추가할 수 없기 때문에
- 이러한 네트워크에 대한 훈련 쌍은 일반적으로 어떻게 생성됩니까?
- 손으로 그리는 깨끗한 버전
- 네거티브 필름을 스캔하여
- 깨끗한 사진에 합성 노이즈나 흐림 효과를 추가하여
- 이미지와 함께 오디오를 녹음하여
- 이미지 복원을 위한 백본으로 일반적으로 사용되는 아키텍처는 무엇입니까?
- 단순 선형 회귀
- 의사결정 트리
- 단어 임베딩 조회
- U-Net 인코더-디코더
- Noise2Noise 교육 접근 방식의 핵심 아이디어는 무엇입니까?
- 하나의 잡음이 있는 관측값을 다른 잡음이 있는 관측값에 매핑하므로 깨끗한 대상이 필요하지 않습니다.
- 완벽하게 깨끗한 대상 이미지가 필요합니다.
- 텍스트에서만 작동합니다.
- 신경망을 전혀 사용하지 않습니다.
- 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