Kuiz berkaitan panduan · Sederhana Tahap

Kuiz Menghilangkan dan Menyahkabur Rangkaian

Semak sisa denoising, penyahkaburan buta, penanda aras hingar kamera realistik dan risiko praktikal mencipta butiran imej.

Laluan panduan yang berkaitanMenghilangkan Dan Menyahkaburkan Rangkaian
soalan 1 daripada 8

Apakah yang sebenarnya diramalkan oleh DnCNN semasa latihan?

Pratonton setiap soalan8 soalan

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

  1. Apakah yang sebenarnya diramalkan oleh DnCNN semasa latihan?
    • Sisa hingar, yang kemudiannya ditolak daripada input
    • Tetapan ISO kamera yang tepat
    • Penerangan teks tempat kejadian
    • Peta kedalaman imej
  2. Mengapakah penyahkaburan buta dianggap lebih sukar daripada menolak?
    • Kerana imej sentiasa berwarna
    • Kerana kernel kabur yang menerangkan cara piksel disapu biasanya tidak diketahui
    • Kerana penyahkaburan memerlukan isyarat GPS
    • Kerana bunyi tidak boleh ditambah secara sintetik
  3. Bagaimanakah pasangan latihan untuk rangkaian ini biasanya dibuat?
    • Dengan lukisan tangan versi bersih
    • Dengan mengimbas negatif filem
    • Dengan menambahkan bunyi sintetik atau kabur untuk membersihkan foto
    • Dengan merakam audio bersama imej
  4. Seni bina apakah yang biasa digunakan sebagai tulang belakang untuk pemulihan imej?
    • Regresi linear mudah
    • Pokok keputusan
    • Carian membenamkan perkataan
    • Penyahkod pengekod U-Net
  5. Apakah idea utama di sebalik pendekatan latihan Noise2Noise?
    • Ia memetakan satu pemerhatian yang bising kepada satu lagi yang bising, tidak memerlukan sasaran yang bersih
    • Ia memerlukan imej sasaran yang bersih dengan sempurna
    • Ia hanya berfungsi pada teks
    • Ia tidak menggunakan rangkaian saraf sama sekali
  6. 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
  7. 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
  8. 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