Gids-gekoppelde quiz · Middelmatig Niveau

Real-ESRGAN praktische restauratiequiz

Ontdek hoe Real-ESRGAN beeldverslechtering in de echte wereld simuleert en tijdens het herstel omgaat met ruis, compressie en geheugenbeperkingen.

Vraag 1 van 8

Welke belangrijke zwakte van de oorspronkelijke ESRGAN heeft Real-ESRGAN aangepakt?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Welke belangrijke zwakte van de oorspronkelijke ESRGAN heeft Real-ESRGAN aangepakt?
    • Er werd alleen getraind op schone bicubische downscaling
    • Het werkte alleen op grijswaardenafbeeldingen
    • Het kon niet op GPU's draaien
    • Er waren gepaarde echte foto's voor nodig
  2. Wat is het 'high-order degradatie'-model van Real-ESRGAN?
    • Een generator met een hogere resolutie
    • Een keten van meerdere willekeurige degradaties die achter elkaar worden toegepast
    • Een nieuw aandachtsmechanisme
    • Een grotere discriminator
  3. Welke discriminatorarchitectuur gebruikt Real-ESRGAN?
    • Eén enkele lineaire classificator
    • Een terugkerend netwerk
    • Een U-Net met spectrale normalisatie
    • Een bevroren VGG
  4. Welke artefacten reproduceren de 'sinc'-filters in Real-ESRGAN?
    • Kleur strepen
    • Lensflare
    • Chromatische aberratie
    • Bellen en overschieten
  5. Welke ruggengraat behoudt de Real-ESRGAN-generator van ESRGAN?
    • De RRDB-blokken
    • Een transformator-encoder
    • Een diffusie U-Net
    • Een LSTM-stack
  6. In GFPGAN’s documented inference command, which background upsampler is set by default?
    • Real-ESRGAN
    • ESRGAN only
    • A fixed bicubic resize
    • No background upsampler is supported
  7. What kind of images is Real-ESRGAN’s anime checkpoint intended to restore?
    • Only medical CT scans
    • Only satellite photographs
    • Anime illustrations
    • Only grayscale handwritten documents
  8. Why can tiled inference help when restoring a very large image?
    • It guarantees that every tile contains the same details
    • It replaces super-resolution with image compression
    • It prevents the model from seeing any neighboring pixels
    • It processes smaller patches to reduce peak memory use