Gids-gekoppelde quiz · Middelmatig Niveau

Pix2Pix beeld-naar-beeld vertaalquiz

Controleert de vereisten voor gepaarde gegevens van Pix2Pix, de U-Net-generator, de PatchGAN-discriminator en de complementaire rollen van tegenstanders en L1-verliezen.

Vraag 1 van 8

Welke trainingsgegevens heeft Pix2Pix nodig?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welke trainingsgegevens heeft Pix2Pix nodig?
    • Voorbeelden van gepaarde invoer-uitvoerafbeeldingen
    • Helemaal geen gegevens
    • Alleen tekstbijschriften
    • Audio-opnamen
  2. Welke generatorarchitectuur gebruikt Pix2Pix?
    • Een eenvoudig, volledig verbonden netwerk
    • Een U-Net met skip-verbindingen
    • Een terugkerend netwerk
    • Een beslisboom
  3. Wat evalueert de PatchGAN-discriminator in Pix2Pix?
    • Het hele beeld als één globale partituur
    • De bestandsgrootte van de afbeelding
    • Realisme van kleine lokale beeldpatches
    • De trainingstijd
  4. Waarom voegt Pix2Pix een L1-verlies toe naast het vijandige verlies?
    • Om de training expres te vertragen
    • Om de discriminator te verwijderen
    • Om willekeurige ruis te genereren
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. Waarom zijn de U-Net-skip-verbindingen vooral nuttig voor vertaaltaken?
    • Ze geven gedeelde structuren, zoals randen, rechtstreeks door aan het netwerk
    • Ze verwijderen onnodige lagen
    • Ze zetten afbeeldingen om naar tekst
    • Ze verkleinen de grootte van de dataset
  6. Welk model heeft Pix2Pix uitgebreid om te leren van ongepaarde beeldcollecties?
    • ResNet
    • CyclusGAN
    • BERT
    • Woord2Vec
  7. Why can a PatchGAN discriminator encourage sharper local image texture?
    • It predicts the input labels directly
    • It replaces the generator’s U-Net
    • It judges realism in small image patches rather than only scoring the whole image
    • It computes only global color histograms
  8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
    • The learning-rate warmup
    • The GAN’s random seed
    • The PatchGAN receptive-field count
    • The L1 pixel-difference loss