Тест на изображение со сверхвысоким разрешением

Ответы и пояснения появляются по мере прохождения теста.

1. Почему сверхразрешение одного изображения называется «некорректной» задачей?
   • Множество разных изображений с высоким разрешением могут создать один и тот же входной сигнал с низким разрешением.
   • Входные изображения всегда повреждены и не подлежат восстановлению.
   • Математика вообще не имеет решения
   • Требуется больше памяти, чем имеет любой графический процессор.
2. Каков общий недостаток обучения сетей сверхвысокого разрешения только с попиксельной потерей MSE?
   • Выходные сигналы становятся слишком резкими и шумными
   • Выходные данные выглядят размытыми и чрезмерно сглаженными
   • Модель отказывается увеличивать изображение
   • Он может обрабатывать только изображения в оттенках серого.
3. Что добавляет модель ESRGAN на основе GAN для улучшения воспринимаемой резкости?
   • Большие бикубические ядра интерполяции
   • Фильтр повышения резкости на основе правил
   • Дискриминатор и потеря перцептивного пространства признаков
   • Только больше эпох обучения
4. Почему в судебно-медицинских и медицинских учреждениях к результатам сверхвысокого разрешения следует относиться с осторожностью?
   • Они всегда более низкого качества, чем входные данные.
   • Их нельзя сохранить в стандартных форматах.
   • Они каждый раз удваивают размер файла
   • Модель изобретает правдоподобные детали, которые могут не соответствовать истинному содержанию.
5. Как сверхразрешение на основе диффузии (например, SR3) генерирует детали?
   • Путем итеративной детализации шума на протяжении многих шагов.
   • Путем копирования пикселей из базы данных стоковых фотографий.
   • Применяя одну свертку резкости
   • Сжимая изображение в формате JPEG
6. На какую проблему конкретно нацелен Real-ESRGAN по сравнению с более ранними моделями SR?
   • Масштабирование только мультипликационных изображений
   • Обработка неприятных реальных деградаций, таких как шум и сжатие.
   • Уменьшение разрешения изображения намеренно
   • Преобразование изображений в векторную графику
7. What does the sub-pixel convolution in ESPCN do?
   • It estimates optical flow between video frames
   • It classifies objects without upsampling
   • It rearranges feature channels into a higher-resolution image grid
   • It adds a text prompt to an image embedding
8. What kind of image pairs did the RealSR dataset collect?
   • Only synthetic Gaussian-noise images
   • Text-only descriptions paired with audio
   • Unpaired medical scans from different patients
   • Real-world paired low- and high-resolution images captured with different cameras or zoom settings