Questionário de tradução imagem para imagem Pix2Pix

As respostas e explicações aparecem conforme você responde ao teste.

1. Que tipo de dados de treinamento o Pix2Pix exige?
   • Exemplos de imagens de entrada-saída emparelhadas
   • Nenhum dado
   • Apenas legendas de texto
   • Gravações de áudio
2. Qual arquitetura de gerador o Pix2Pix usa?
   • Uma rede simples e totalmente conectada
   • Uma U-Net com conexões saltadas
   • Uma rede recorrente
   • Uma árvore de decisão
3. O que o discriminador PatchGAN no Pix2Pix avalia?
   • A imagem inteira como uma pontuação global
   • O tamanho do arquivo de imagem
   • Realismo de pequenas manchas de imagens locais
   • O tempo de treinamento
4. Por que o Pix2Pix adiciona uma perda L1 junto com a perda adversária?
   • Para desacelerar o treinamento de propósito
   • Para remover o discriminador
   • Para gerar ruído aleatório
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Por que as conexões de salto U-Net são especialmente úteis para tarefas de tradução?
   • Eles passam estruturas compartilhadas como bordas diretamente pela rede
   • Eles excluem camadas desnecessárias
   • Eles convertem imagens em texto
   • Eles reduzem o tamanho do conjunto de dados
6. Qual modelo estendeu o Pix2Pix para aprender com coleções de imagens não pareadas?
   • ResNet
   • CicloGAN
   • BERTO
   • 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