Gids-gekoppelde quiz · Middelmatig Niveau
ESRGAN en GAN Superresolutiequiz
Bestudeer het vijandige beeldopschalingsontwerp van ESRGAN, de afweging tussen perceptueel realisme en de grenzen van de gegenereerde details.
Vraag 1 van 8
Waarnaar verwijst de 'GAN' in ESRGAN?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waarnaar verwijst de 'GAN' in ESRGAN?
- Generatief vijandig netwerk
- Gradiëntaccumulatienetwerk
- Gaussiaanse benaderingsknooppunt
- Mondiaal aandachtsnetwerk
- Welke bouwsteen gebruikt de ESRGAN-generator voornamelijk?
- Lange-kortetermijngeheugencellen
- Residuele-in-residuele dichte blokken (RRDB)
- Capsule-routeringslagen
- Transformator-zelfaandachtsblokken
- Waarom hebben de auteurs van ESRGAN de batchnormalisatie uit de generator verwijderd?
- Het vertraagde de training te veel
- Het verhoogde het geheugen tot buiten de grenzen
- Het had de neiging om visuele artefacten te introduceren
- Het was onverenigbaar met GAN's
- Wat is de belangrijkste afweging die ESRGAN maakt in vergelijking met methoden waarbij alleen pixels verloren gaan?
- Snelheid boven nauwkeurigheid
- Kleurnauwkeurigheid boven resolutie
- Lager geheugen in plaats van een hogere resolutie
- Perceptueel realisme boven exacte pixelgetrouwheid
- Waar wordt het perceptuele (VGG) verlies van ESRGAN gemeten?
- Over functies vóór activering
- Alleen op onbewerkte RGB-pixels
- Over de eindscore van de discriminator
- Op Fourier-getransformeerde ingangen
- Welke innovatie heeft de discriminator van ESRGAN geïntroduceerd?
- Een puur convolutionele autoencoder
- Een relativistische discriminator die echt versus nep-realisme vergelijkt
- Een beloningsmodel voor versterkend leren
- Een bevroren, voorgetrainde classificator
- 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