Pix2Pix Викторина по переводу изображений в изображения

Ответы и пояснения появляются по мере прохождения теста.

1. Какие обучающие данные требуются Pix2Pix?
   • Примеры парных изображений ввода-вывода
   • Никаких данных вообще
   • Только текстовые подписи
   • Аудиозаписи
2. Какую архитектуру генератора использует Pix2Pix?
   • Простая полностью подключенная сеть
   • U-Net с пропуском соединений
   • Рекуррентная сеть
   • Дерево решений
3. Что оценивает дискриминатор PatchGAN в Pix2Pix?
   • Все изображение как одна глобальная оценка
   • Размер файла изображения
   • Реализм небольших локальных фрагментов изображения
   • Время обучения
4. Почему Pix2Pix добавляет потерю L1 к состязательной потере?
   • Чтобы намеренно замедлить тренировку
   • Чтобы удалить дискриминатор
   • Для генерации случайного шума
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Почему пропускные соединения U-Net особенно полезны для задач перевода?
   • Они передают общую структуру, например ребра, непосредственно через сеть.
   • Они удаляют ненужные слои
   • Они конвертируют изображения в текст
   • Они уменьшают размер набора данных
6. Какая модель расширила Pix2Pix для обучения на непарных коллекциях изображений?
   • РесНет
   • ЦиклГАН
   • БЕРТ
   • 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