Quiz dotyczący kolorowania obrazu

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Dlaczego kolorowanie obrazu jest uważane za problem „źle postawiony”?
   • Pojedyncza wartość skali szarości może odpowiadać wielu różnym rzeczywistym kolorom
   • Obrazy w skali szarości nie zawierają żadnych użytecznych informacji
   • Kolorowe obrazy są zbyt duże, aby je przetworzyć
   • Aparaty nie mogą już rejestrować obrazu w skali szarości
2. Co sieć otrzymuje jako sygnał wejściowy w popularnym podejściu do przestrzeni kolorów Lab?
   • Pełny obraz RGB
   • Tylko kanał L (jasność).
   • Tylko kanał czerwony
   • Mapa głębi sceny
3. Dlaczego Zhang i in. przewidywanie koloru ramki jako klasyfikacja według „pojemników” kolorów zamiast bezpośredniej regresji?
   • Ponieważ klasyfikacja to jedyna rzecz, jaką potrafią sieci neuronowe
   • Aby zmniejszyć obrazy
   • Aby uniknąć uśredniania prawidłowych kolorów w matowe, pozbawione nasycenia wyniki
   • Aby usunąć potrzebę danych szkoleniowych
4. W jaki sposób modele bez wiedzy uczą się, jakie kolory powinny mieć obiekty?
   • Są programowane ręcznie z listą kolorów każdego obiektu
   • Za każdym razem zgadują losowo
   • Odczytują metadane kolorów zapisane w plikach w skali szarości
   • Uczą się statystycznych priorytetów z milionów kolorowych zdjęć przekonwertowanych na skalę szarości
5. Co jest kluczowym wyzwaniem podczas kolorowania wideo, a nie pojedynczych zdjęć?
   • Utrzymywanie spójności kolorów w całej klatce, aby uniknąć migotania
   • Filmy nie mają wersji w skali szarości
   • Koloru nie da się dodać do ruchomych obrazów
   • Każda ramka musi być w innym kolorze
6. Na co pozwala użytkownikowi kolorowanie oparte na przykładach lub podpowiedziach?
   • Konwertuj obrazy kolorowe z powrotem tylko na skalę szarości
   • Prowadź wyniki, korzystając z obrazów referencyjnych lub klikniętych wskazówek kolorystycznych
   • Całkowicie wyłącz sieć neuronową
   • Przetłumacz obraz na inny język
7. In the CIE Lab setup described in the guide, which channels does the network predict?
   • The L lightness channel only
   • RGB red and green but not blue
   • The a and b chrominance channels
   • The image’s camera pose
8. Why can direct regression toward an average color produce dull colorization?
   • The model is forced to output only black
   • Regression removes the lightness channel
   • The network cannot use training examples
   • Several plausible colors for a gray pixel may average to a muted, less likely color