Questionário vinculado ao guia · Médio Nível
Questionário prático de restauração Real-ESRGAN
Saiba como o Real-ESRGAN simula a degradação de imagens do mundo real e lida com ruído, compactação e restrições de memória durante a restauração.
Pergunta 1 de 8
Que pontos fracos do ESRGAN original o Real-ESRGAN abordou?
Visualize cada pergunta8 perguntas
As respostas e explicações aparecem conforme você responde ao teste.
- Que pontos fracos do ESRGAN original o Real-ESRGAN abordou?
- Foi treinado apenas em downscaling bicúbico limpo
- Só funcionou em imagens em tons de cinza
- Não poderia ser executado em GPUs
- Exigia fotos reais emparelhadas
- O que é o modelo de “degradação de alta ordem” do Real-ESRGAN?
- Um gerador de alta resolução
- Uma cadeia de múltiplas degradações aleatórias aplicadas em sequência
- Um novo mecanismo de atenção
- Um discriminador maior
- Qual arquitetura discriminadora o Real-ESRGAN usa?
- Um único classificador linear
- Uma rede recorrente
- Uma U-Net com normalização espectral
- Um VGG congelado
- Quais artefatos os filtros 'sinc' no Real-ESRGAN reproduzem?
- Faixas coloridas
- Reflexo de lente
- Aberração cromática
- Tocando e ultrapassando
- Qual backbone o gerador Real-ESRGAN retém do ESRGAN?
- Os blocos RRDB
- Um codificador de transformador
- Uma U-Net de difusão
- Uma pilha LSTM
- In GFPGAN’s documented inference command, which background upsampler is set by default?
- Real-ESRGAN
- ESRGAN only
- A fixed bicubic resize
- No background upsampler is supported
- 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
- 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