Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący odszumiania i usuwania rozmycia sieci
Zapoznaj się z usuwaniem szumów resztkowych, usuwaniem rozmyć na ślepo, realistycznymi testami porównawczymi szumu kamery i praktycznym ryzykiem wymyślenia szczegółów obrazu.
Pytanie 1 z 8
Co właściwie DnCNN przewiduje podczas szkolenia?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Co właściwie DnCNN przewiduje podczas szkolenia?
- Pozostałość szumu, która jest następnie odejmowana od sygnału wejściowego
- Dokładne ustawienie ISO aparatu
- Tekstowy opis sceny
- Mapa głębi obrazu
- Dlaczego usuwanie zamazań na ślepo uważa się za trudniejsze niż usuwanie szumów?
- Ponieważ obrazy są zawsze kolorowe
- Ponieważ jądro rozmycia opisujące rozmazywanie pikseli jest zwykle nieznane
- Ponieważ do usuwania rozmycia potrzebny jest sygnał GPS
- Ponieważ szumu nie można dodać syntetycznie
- W jaki sposób zazwyczaj tworzone są pary szkoleniowe dla tych sieci?
- Przez ręczne rysowanie czystych wersji
- Poprzez skanowanie negatywów filmowych
- Dodając syntetyczny szum lub rozmycie, aby uzyskać czyste zdjęcia
- Nagrywając dźwięk obok obrazu
- Jaka architektura jest powszechnie używana jako szkielet przywracania obrazu?
- Prosta regresja liniowa
- Drzewo decyzyjne
- Wyszukiwanie osadzania słów
- Koder-dekoder U-Net
- Jaka jest kluczowa idea podejścia szkoleniowego Noise2Noise?
- Odwzorowuje jedną zaszumioną obserwację na inną zaszumioną, bez potrzeby czystego celu
- Wymaga idealnie czystych obrazów docelowych
- Działa tylko na tekście
- W ogóle nie korzysta z sieci neuronowej
- 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