Test legat de ghid · Mediu Nivel
Test pentru eliminarea zgomotului și eliminarea estompării rețelelor
Examinați reducerea zgomotului rezidual, estomparea oarbă, valorile de referință realiste pentru zgomotul camerei și riscul practic de a inventa detaliile imaginii.
Întrebare 1 de 8
Ce prezice de fapt DnCNN în timpul antrenamentului?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Ce prezice de fapt DnCNN în timpul antrenamentului?
- Zgomotul rezidual, care este apoi scăzut din intrare
- Setarea ISO exactă a camerei
- O descriere text a scenei
- Harta de adâncime a imaginii
- De ce deblurring-ul oarb este considerat mai greu decât dezgomotul?
- Pentru că imaginile sunt întotdeauna colorate
- Deoarece nucleul de estompare care descrie modul în care pixelii sunt pătați este de obicei necunoscut
- Deoarece deblurring are nevoie de un semnal GPS
- Deoarece zgomotul nu poate fi adăugat sintetic
- Cum sunt create de obicei perechile de antrenament pentru aceste rețele?
- Desenând manual versiuni curate
- Prin scanarea negativelor de film
- Adăugând zgomot sintetic sau estompare la fotografiile curate
- Prin înregistrarea audio alături de imagine
- Ce arhitectură este folosită în mod obișnuit ca coloană vertebrală pentru restaurarea imaginii?
- O regresie liniară simplă
- Un arbore de decizie
- O căutare de încorporare a cuvintelor
- Un codificator-decodor U-Net
- Care este ideea cheie din spatele abordării de formare Noise2Noise?
- Mapează o observație zgomotoasă cu alta zgomotoasă, nefiind nevoie de o țintă curată
- Este nevoie de imagini țintă perfect curate
- Funcționează doar pe text
- Nu folosește deloc o rețea neuronală
- De ce adăugarea de obiective perceptive sau adverse poate fi un compromis în restaurare?
- Acestea fac imaginile imposibil de afișat
- Ele pot îmbunătăți naturalețea vizuală, dar pot favoriza detaliile plauzibile dincolo de fidelitatea pixelilor
- Acestea garantează recuperarea exactă a fiecărui pixel
- Ele elimină nevoia de date de antrenament
- Pentru ce se folosește SIDD în cercetarea de restaurare a imaginii?
- Măsurarea alinierii oglinzii telescopului
- Clasificarea transcrierilor discursului
- Evaluarea zgomotului real al camerei smartphone-ului
- Testarea declanșatorilor detectorului de particule
- Care este un risc atunci când un model de restaurare generativă accentuează o imagine?
- Reduce întotdeauna dimensiunile imaginii
- Convertește fiecare imagine în tonuri de gri
- Îndepărtează necesitatea de a inspecta rezultatele
- Poate inventa detalii plauzibile care nu au fost susținute de măsurare