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.
- 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
- 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
- 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
- Какая архитектура обычно используется в качестве основы для восстановления изображений?
- Простая линейная регрессия
- Дерево решений
- Поиск по встраиванию слов
- Кодер-декодер U-Net
- 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
- 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
- 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
- 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