Questionário vinculado ao guia · Médio Nível
Questionário de tradução não pareada do CycleGAN
Revise como o CycleGAN usa mapeamentos inversos, discriminadores adversários e consistência de ciclo para traduzir imagens sem exemplos emparelhados.
Pergunta 1 de 8
Qual problema principal o CycleGAN resolve que métodos anteriores como o pix2pix não conseguiram?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- Qual problema principal o CycleGAN resolve que métodos anteriores como o pix2pix não conseguiram?
- Ele traduz imagens sem a necessidade de pares antes e depois correspondentes
- Funciona inteiramente em uma CPU móvel
- Elimina a necessidade de quaisquer dados de treinamento
- Funciona apenas em imagens em preto e branco
- O que a perda de consistência do ciclo impõe?
- Que todas as imagens de saída sejam em tons de cinza
- Que traduzir uma imagem para o outro domínio e voltar recupera o original
- Que o discriminador sempre vence
- Que os geradores compartilham os mesmos pesos
- Quantos geradores um CycleGAN padrão usa?
- Um
- Quatro
- Dois
- Três
- Que tipo de discriminador o CycleGAN normalmente usa?
- Um único sigmóide em toda a imagem
- Um classificador ImageNet pré-treinado
- Nenhum discriminador
- Um PatchGAN que classifica patches de imagem
- Por que a perda de identidade às vezes é adicionada ao CycleGAN?
- Para ajudar a preservar a cor quando uma entrada já corresponde ao domínio de destino
- Para tornar o treinamento mais rápido
- Para eliminar a necessidade de discriminadores
- Para converter imagens em esboços
- Qual destas é uma demonstração clássica do CycleGAN?
- Gerando texto a partir da fala
- Transformando fotos de cavalos em fotos de zebras
- Transcrever caligrafia
- Compactando arquivos de vídeo
- Why does a standard CycleGAN use one discriminator for each image domain?
- Each one estimates the image’s text caption
- One discriminator identifies the source dataset and the other the author
- Each discriminator judges whether generated images look realistic in its target domain
- They replace the two generators
- How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
- Generate steering labels from vehicle sounds
- Replace all road images with segmentation text
- Identify a driver from a voice recording
- Translate simulator images toward the visual style of real road scenes without paired matches