Questionário de super-resolução de imagens

As respostas e explicações aparecem conforme você responde ao teste.

1. Por que a super-resolução de imagem única é chamada de problema “mal colocado”?
   • Muitas imagens diferentes de alta resolução poderiam produzir a mesma entrada de baixa resolução
   • As imagens de entrada estão sempre corrompidas sem possibilidade de reparo
   • A matemática não tem solução alguma
   • Requer mais memória do que qualquer GPU possui
2. Qual é a desvantagem comum de treinar redes de super-resolução com apenas perda de MSE em pixels?
   • As saídas tornam-se excessivamente nítidas e barulhentas
   • As saídas parecem desfocadas e suavizadas demais
   • A modelo se recusa a ampliar a imagem
   • Ele só pode processar imagens em tons de cinza
3. O que o modelo ESRGAN baseado em GAN adiciona para melhorar a nitidez percebida?
   • Núcleos de interpolação bicúbica maiores
   • Um filtro de nitidez de borda baseado em regras
   • Um discriminador e perda de espaço de características perceptivas
   • Mais épocas de treinamento apenas
4. Por que os resultados de super-resolução devem ser tratados com cautela em ambientes forenses ou médicos?
   • Eles são sempre de qualidade inferior à entrada
   • Eles não podem ser salvos em formatos padrão
   • Eles dobram o tamanho do arquivo sempre
   • O modelo inventa detalhes plausíveis que podem não ser o verdadeiro conteúdo
5. Como a super-resolução baseada em difusão (como SR3) gera detalhes?
   • Refinando iterativamente o ruído em detalhes ao longo de muitas etapas
   • Copiando pixels de um banco de dados de fotos
   • Aplicando uma única convolução de nitidez
   • Comprimindo a imagem com JPEG
6. Que problema o Real-ESRGAN visa especificamente em comparação com os modelos SR anteriores?
   • Aumentando apenas imagens de desenhos animados
   • Lidar com degradações complicadas do mundo real, como ruído e compressão
   • Reduzindo a resolução da imagem propositalmente
   • Convertendo imagens em gráficos vetoriais
7. What does the sub-pixel convolution in ESPCN do?
   • It estimates optical flow between video frames
   • It classifies objects without upsampling
   • It rearranges feature channels into a higher-resolution image grid
   • It adds a text prompt to an image embedding
8. What kind of image pairs did the RealSR dataset collect?
   • Only synthetic Gaussian-noise images
   • Text-only descriptions paired with audio
   • Unpaired medical scans from different patients
   • Real-world paired low- and high-resolution images captured with different cameras or zoom settings