가이드 연계 퀴즈 · 중간 레벨

Pix2Pix 이미지-이미지 번역 퀴즈

Pix2Pix의 쌍 데이터 요구 사항, U-Net 생성기, PatchGAN 판별기 및 적대적 손실과 L1 손실의 보완적인 역할을 확인합니다.

관련 가이드 경로Pix2pix 이미지를 이미지로 변환
질문 1 의 8

Pix2Pix에는 어떤 종류의 교육 데이터가 필요합니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. Pix2Pix에는 어떤 종류의 교육 데이터가 필요합니까?
    • 페어링된 입출력 이미지 예
    • 데이터가 전혀 없습니다.
    • 텍스트 캡션만
    • 오디오 녹음
  2. Pix2Pix는 어떤 생성기 아키텍처를 사용합니까?
    • 완전히 연결된 일반 네트워크
    • 건너뛰기 연결이 있는 U-Net
    • 순환 네트워크
    • 의사결정 트리
  3. Pix2Pix의 PatchGAN 판별자는 무엇을 평가합니까?
    • 전체 이미지를 하나의 글로벌 스코어로 표현
    • 이미지 파일 크기
    • 작은 로컬 이미지 패치의 현실감
    • 훈련 시간
  4. Pix2Pix가 적대적 손실과 함께 L1 손실을 추가하는 이유는 무엇입니까?
    • 의도적으로 훈련 속도를 늦추려면
    • 판별자를 제거하려면
    • 무작위 노이즈를 생성하려면
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. U-Net 건너뛰기 연결이 번역 작업에 특히 유용한 이유는 무엇입니까?
    • 네트워크를 통해 직접 에지와 같은 공유 구조를 전달합니다.
    • 불필요한 레이어를 삭제합니다.
    • 그들은 이미지를 텍스트로 변환합니다
    • 데이터 세트 크기를 줄입니다.
  6. 페어링되지 않은 이미지 컬렉션에서 학습하기 위해 Pix2Pix를 확장한 모델은 무엇입니까?
    • 레스넷
    • 사이클GAN
    • 버트
    • Word2Vec
  7. 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
  8. 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