Praktyczny quiz dotyczący renowacji Real-ESRGAN

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaką kluczową słabością pierwotnego ESRGAN zajął się Real-ESRGAN?
   • Został przeszkolony wyłącznie w zakresie czystego dwusześciennego skalowania w dół
   • Działało to tylko na obrazach w skali szarości
   • Nie można go było uruchomić na procesorach graficznych
   • Wymagało to sparowania prawdziwych zdjęć
2. Jaki jest model „degradacji wyższego rzędu” Real-ESRGAN?
   • Generator o wyższej rozdzielczości
   • Łańcuch wielu przypadkowych degradacji zastosowanych sekwencyjnie
   • Nowy mechanizm uwagi
   • Większy dyskryminator
3. Z jakiej architektury dyskryminatora korzysta Real-ESRGAN?
   • Pojedynczy klasyfikator liniowy
   • Powtarzająca się sieć
   • Sieć U z normalizacją widmową
   • Zamrożone VGG
4. Jakie artefakty odtwarzają filtry „sinc” w Real-ESRGAN?
   • Pasowanie kolorów
   • Flara obiektywu
   • Aberracja chromatyczna
   • Dzwonienie i przeregulowanie
5. Jaki szkielet generator Real-ESRGAN zachowuje od ESRGAN?
   • Bloki RRDB
   • Enkoder transformatorowy
   • Sieć dyfuzyjna U-Net
   • Stos LSTM
6. In GFPGAN’s documented inference command, which background upsampler is set by default?
   • Prawdziwy-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