Test de traducere imagine-la-imagine Pix2Pix

Răspunsurile și explicațiile apar pe măsură ce susțineți testul.

1. Ce fel de date de antrenament necesită Pix2Pix?
   • Exemple de imagini de intrare-ieșire pereche
   • Fără date
   • Doar subtitrări text
   • Înregistrări audio
2. Ce arhitectură generator folosește Pix2Pix?
   • O rețea simplă complet conectată
   • Un U-Net cu conexiuni ignorate
   • O rețea recurentă
   • Un arbore de decizie
3. Ce evaluează discriminatorul PatchGAN din Pix2Pix?
   • Întreaga imagine ca un scor global
   • Dimensiunea fișierului imagine
   • Realismul micilor pete de imagine locale
   • Timpul de antrenament
4. De ce Pix2Pix adaugă o pierdere L1 alături de pierderea adversară?
   • Pentru a încetini antrenamentul intenționat
   • Pentru a elimina discriminatorul
   • Pentru a genera zgomot aleatoriu
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. De ce sunt conexiunile de ignorare U-Net deosebit de utile pentru sarcinile de traducere?
   • Ei trec o structură partajată ca margini direct prin rețea
   • Ele șterg straturile inutile
   • Ei convertesc imaginile în text
   • Acestea reduc dimensiunea setului de date
6. Ce model a extins Pix2Pix pentru a învăța din colecțiile de imagini nepereche?
   • ResNet
   • CycleGAN
   • BERT
   • 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