Kuiz berkaitan panduan · Sederhana Tahap
ESRGAN dan GAN Super-Resolution Kuiz
Kaji reka bentuk peningkatan imej lawan ESRGAN, pertukaran realisme persepsinya, dan had perincian yang dihasilkannya.
soalan 1 daripada 8
Apakah yang dimaksudkan dengan 'GAN' dalam ESRGAN?
Pratonton setiap soalan8 soalan
Jawapan dan penjelasan muncul semasa anda mengambil kuiz.
- Apakah yang dimaksudkan dengan 'GAN' dalam ESRGAN?
- Rangkaian Musuh Generatif
- Rangkaian Pengumpulan Kecerunan
- Nod Penghampiran Gaussian
- Rangkaian Perhatian Global
- Apakah blok bangunan yang digunakan terutamanya oleh penjana ESRGAN?
- Sel Memori Jangka Pendek Panjang
- Blok Padat Baki-dalam-Baki (RRDB)
- Lapisan penghalaan kapsul
- Blok perhatian diri pengubah
- Mengapakah pengarang ESRGAN mengalih keluar penormalan kelompok daripada penjana?
- Ia melambatkan latihan terlalu banyak
- Ia meningkatkan ingatan melebihi had
- Ia cenderung untuk memperkenalkan artifak visual
- Ia tidak serasi dengan GAN
- Apakah pertukaran utama yang dibuat oleh ESRGAN berbanding dengan kaedah kehilangan piksel sahaja?
- Kepantasan melebihi ketepatan
- Ketepatan warna berbanding resolusi
- Memori yang lebih rendah berbanding resolusi yang lebih tinggi
- Realisme persepsi terhadap kesetiaan piksel yang tepat
- Di manakah kehilangan persepsi (VGG) ESRGAN diukur?
- Pada ciri sebelum pengaktifan
- Pada piksel RGB mentah sahaja
- Pada markah akhir pendiskriminasi
- Pada input yang diubah suai Fourier
- Apakah inovasi yang diperkenalkan oleh diskriminasi ESRGAN?
- Pengekod autokonvolusi semata-mata
- Diskriminasi relativistik yang membandingkan realisme sebenar vs palsu
- Model ganjaran pembelajaran pengukuhan
- Pengelas pralatih beku
- 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