Gids-gekoppelde quiz · Middelmatig Niveau

CycleGAN ongepaarde vertaalquiz

Bekijk hoe CycleGAN inverse mappings, vijandige discriminatoren en cyclusconsistentie gebruikt om afbeeldingen te vertalen zonder gepaarde voorbeelden.

Gerelateerde gidspadenCyclegan ongepaarde vertaling
Vraag 1 van 8

Welk sleutelprobleem lost CycleGAN op dat eerdere methoden zoals pix2pix niet konden oplossen?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welk sleutelprobleem lost CycleGAN op dat eerdere methoden zoals pix2pix niet konden oplossen?
    • Het vertaalt afbeeldingen zonder dat er bijpassende voor-en-na-paren nodig zijn
    • Het draait volledig op een mobiele CPU
    • Het elimineert de noodzaak voor trainingsgegevens
    • Het werkt alleen op zwart-witafbeeldingen
  2. Wat dwingt het verlies aan cyclusconsistentie af?
    • Dat alle uitvoerafbeeldingen grijstinten zijn
    • Door een afbeelding naar het andere domein en terug te vertalen, wordt het origineel hersteld
    • Dat de discriminator altijd wint
    • Die generatoren delen dezelfde gewichten
  3. Hoeveel generatoren gebruikt een standaard CycleGAN?
    • Eén
    • Vier
    • Twee
    • Drie
  4. Welk type discriminator gebruikt CycleGAN doorgaans?
    • Een enkele sigmoïde op het hele beeld
    • Een vooraf getrainde ImageNet-classificator
    • Helemaal geen discriminerend
    • Een PatchGAN die afbeeldingspatches classificeert
  5. Waarom wordt het identiteitsverlies soms toegevoegd in CycleGAN?
    • Om de kleur te helpen behouden wanneer een invoer al overeenkomt met het doeldomein
    • Om de training sneller te maken
    • Om de noodzaak van discriminatoren weg te nemen
    • Om afbeeldingen naar schetsen te converteren
  6. Welke van deze is een klassieke CycleGAN-demonstratie?
    • Tekst genereren uit spraak
    • Paardenfoto's omzetten in zebrafoto's
    • Handschrift transcriberen
    • Videobestanden comprimeren
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches