Quiz dotyczący tłumaczenia obrazu na obraz Pix2Pix

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jakiego rodzaju danych szkoleniowych wymaga Pix2Pix?
   • Przykłady sparowanych obrazów wejścia-wyjścia
   • Brak danych
   • Tylko napisy tekstowe
   • Nagrania dźwiękowe
2. Z jakiej architektury generatora korzysta Pix2Pix?
   • Zwykła, w pełni połączona sieć
   • Sieć U-Net z pomijanymi połączeniami
   • Powtarzająca się sieć
   • Drzewo decyzyjne
3. Co ocenia dyskryminator PatchGAN w Pix2Pix?
   • Cały obraz jako jedna globalna partytura
   • Rozmiar pliku obrazu
   • Realizm małych lokalnych plam obrazu
   • Czas szkolenia
4. Dlaczego Pix2Pix dodaje stratę L1 do straty kontradyktoryjnej?
   • Aby celowo spowolnić trening
   • Aby usunąć dyskryminator
   • Aby wygenerować losowy szum
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Dlaczego połączenia pomijane w U-Net są szczególnie przydatne w przypadku zadań tłumaczeniowych?
   • Przekazują wspólną strukturę, taką jak krawędzie, bezpośrednio przez sieć
   • Usuwają niepotrzebne warstwy
   • Konwertują obrazy na tekst
   • Zmniejszają rozmiar zbioru danych
6. Który model rozszerzył Pix2Pix, aby uczyć się z niesparowanych kolekcji obrazów?
   • ResNet
   • CyklGAN
   • BERT
   • Word2Vec
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