Quiz połączony z przewodnikiem · Średni Poziom

Quiz o super rozdzielczości ESRGAN i GAN

Przeanalizuj kontradyktoryjny projekt skalowania obrazu firmy ESRGAN, jego kompromis w zakresie realizmu percepcyjnego i ograniczenia generowanych szczegółów.

Powiązane ścieżki prowadząceEsrgan i GAN Super Resolution
Pytanie 1 z 8

Do czego odnosi się „GAN” w ESRGAN?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Do czego odnosi się „GAN” w ESRGAN?
    • Generatywna sieć przeciwnika
    • Gradientowa sieć akumulacyjna
    • Węzeł aproksymacji Gaussa
    • Globalna sieć uwagi
  2. Z jakiego elementu składowego korzysta głównie generator ESRGAN?
    • Komórki pamięci długotrwałej i krótkotrwałej
    • Resztkowe gęste bloki (RRDB)
    • Warstwy routingu kapsuły
    • Transformatorowe bloki samouważności
  3. Dlaczego autorzy ESRGAN usunęli z generatora normalizację wsadową?
    • To za bardzo spowalniało trening
    • Zwiększyła pamięć ponad limity
    • Miał tendencję do wprowadzania artefaktów wizualnych
    • Był niekompatybilny z sieciami GAN
  4. Jaki jest główny kompromis ESRGAN w porównaniu z metodami polegającymi wyłącznie na utracie pikseli?
    • Szybkość ponad dokładność
    • Dokładność kolorów ponad rozdzielczość
    • Mniejsza pamięć zamiast wyższej rozdzielczości
    • Realizm percepcyjny ponad dokładną wierność pikseli
  5. Gdzie mierzona jest strata percepcyjna (VGG) firmy ESRGAN?
    • W funkcjach przed aktywacją
    • Tylko na surowych pikselach RGB
    • O ostatecznym wyniku dyskryminatora
    • Na wejściach z transformacją Fouriera
  6. Jaką innowację wprowadził dyskryminator ESRGAN?
    • Czysto splotowy autoenkoder
    • Relatywistyczny dyskryminator porównujący realizm rzeczywisty z fałszywym
    • Model nagrody za uczenie się przez wzmacnianie
    • Zamrożony, wstępnie przeszkolony klasyfikator
  7. 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
  8. 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