Викторина, связанная с руководством · Средний Уровень

Викторина по шумоподавлению и устранению размытия сетей

Ознакомьтесь с остаточным шумоподавлением, слепым удалением размытия, реалистичными тестами шума камеры и практическим риском изобретения деталей изображения.

Вопрос 1 из 8

Что на самом деле предсказывает DnCNN во время обучения?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что на самом деле предсказывает DnCNN во время обучения?
    • Остаточный шум, который затем вычитается из входных данных.
    • Точная настройка ISO камеры
    • Текстовое описание сцены
    • Карта глубины изображения
  2. Почему слепое удаление размытия считается более сложным, чем шумоподавление?
    • Потому что изображения всегда цветные
    • Потому что ядро размытия, описывающее, как размазываются пиксели, обычно неизвестно.
    • Потому что для устранения размытия нужен сигнал GPS
    • Потому что шум нельзя добавить синтетически
  3. Как обычно создаются обучающие пары для этих сетей?
    • Рисуя чистые версии вручную
    • Путем сканирования негативов пленки
    • Добавляя синтетический шум или размытие для очистки фотографий.
    • Записывая звук рядом с изображением
  4. Какая архитектура обычно используется в качестве основы для восстановления изображений?
    • Простая линейная регрессия
    • Дерево решений
    • Поиск по встраиванию слов
    • Кодер-декодер U-Net
  5. Какова ключевая идея подхода к обучению Noise2Noise?
    • Он сопоставляет одно шумное наблюдение с другим шумным, не требуя чистой цели.
    • Требуются идеально чистые целевые изображения.
    • Работает только с текстом
    • Он вообще не использует нейронную сеть
  6. Why can adding perceptual or adversarial objectives be a tradeoff in restoration?
    • They make images impossible to display
    • They may improve visual naturalness but can favor plausible detail beyond pixel fidelity
    • They guarantee exact recovery of every pixel
    • They remove the need for training data
  7. What is SIDD used for in image restoration research?
    • Measuring telescope mirror alignment
    • Ranking speech transcripts
    • Evaluating denoising on real smartphone camera noise
    • Testing particle-detector triggers
  8. What is a risk when a generative restoration model sharpens an image?
    • It always reduces image dimensions
    • It converts every image to grayscale
    • It removes the need to inspect results
    • It may invent plausible detail that was not supported by the measurement