Gids-gekoppelde quiz · Middelmatig Niveau
Quiz voor het verminderen van ruis en het onscherp maken van netwerken
Bekijk de resterende ruisverwijdering, blinde vervaging, realistische benchmarks voor cameraruis en de praktische risico's van het uitvinden van beelddetails.
Vraag 1 van 8
Wat voorspelt DnCNN eigenlijk tijdens de training?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat voorspelt DnCNN eigenlijk tijdens de training?
- Het ruisresidu, dat vervolgens van de invoer wordt afgetrokken
- De exacte ISO-instelling van de camera
- Een tekstbeschrijving van de scène
- De dieptekaart van de afbeelding
- Waarom wordt blind deblurren als moeilijker beschouwd dan ruis verwijderen?
- Omdat afbeeldingen altijd in kleur zijn
- Omdat de vervagingskernel die beschrijft hoe pixels worden uitgesmeerd, meestal onbekend is
- Omdat voor onscherpte een GPS-signaal nodig is
- Omdat ruis niet synthetisch kan worden toegevoegd
- Hoe worden trainingsparen voor deze netwerken doorgaans gemaakt?
- Door schone versies met de hand te tekenen
- Door filmnegatieven te scannen
- Door synthetische ruis of onscherpte toe te voegen om foto's schoon te maken
- Door audio op te nemen naast het beeld
- Welke architectuur wordt doorgaans gebruikt als ruggengraat voor beeldherstel?
- Een eenvoudige lineaire regressie
- Een beslisboom
- Een zoekopdracht voor het insluiten van woorden
- Een U-Net encoder-decoder
- Wat is het centrale idee achter de Noise2Noise-trainingsaanpak?
- Het brengt de ene luidruchtige observatie in kaart met de andere, zonder dat er een duidelijk doelwit nodig is
- Het vereist perfect zuivere doelbeelden
- Het werkt alleen op tekst
- Het maakt helemaal geen gebruik van een neuraal netwerk
- 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