Викторина по раскрашиванию изображений

Ответы и пояснения появляются по мере прохождения теста.

1. Почему раскрашивание изображения считается «некорректной» проблемой?
   • Одно значение шкалы серого может соответствовать множеству разных реальных цветов.
   • Изображения в оттенках серого вообще не содержат никакой полезной информации.
   • Цветные изображения слишком велики для обработки.
   • Камеры больше не могут записывать оттенки серого
2. Что получает сеть в качестве входных данных в популярном подходе к цветовому пространству Lab?
   • Полное RGB-изображение
   • Только канал L (легкость)
   • Только красный канал
   • Карта глубины сцены
3. Почему Чжан и др. Прогнозирование цвета кадра как классификация по цветным «ячейкам», а не прямая регрессия?
   • Потому что классификация — это единственное, что могут делать нейронные сети.
   • Чтобы уменьшить изображения
   • Чтобы избежать усреднения допустимых цветов и получения тусклых, ненасыщенных результатов.
   • Чтобы исключить необходимость в обучающих данных
4. Как модели узнают, какого цвета должны быть объекты, не сообщая им об этом?
   • Они вручную запрограммированы списком цветов каждого объекта.
   • Каждый раз они угадывают случайным образом
   • Они читают метаданные цвета, хранящиеся в файлах оттенков серого.
   • Они изучают априорные статистические данные на основе миллионов цветных фотографий, преобразованных в оттенки серого.
5. В чем заключается основная проблема при раскрашивании видео, а не отдельных фотографий?
   • Сохранение единообразия цветов во всех кадрах во избежание мерцания.
   • У видео нет версии в оттенках серого.
   • Цвет невозможно добавить к движущимся изображениям
   • Каждая рамка должна быть разного цвета.
6. Что позволяет пользователю делать раскрашивание на основе образцов или подсказок?
   • Преобразование цветных изображений обратно только в оттенки серого
   • Управляйте выводом, используя эталонные изображения или цветовые подсказки.
   • Полностью отключить нейронную сеть
   • Перевести изображение на другой язык
7. In the CIE Lab setup described in the guide, which channels does the network predict?
   • The L lightness channel only
   • RGB red and green but not blue
   • The a and b chrominance channels
   • The image’s camera pose
8. Why can direct regression toward an average color produce dull colorization?
   • The model is forced to output only black
   • Regression removes the lightness channel
   • The network cannot use training examples
   • Several plausible colors for a gray pixel may average to a muted, less likely color