แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบการลดสัญญาณรบกวนและการลดความเบลอของเครือข่าย

ตรวจสอบการลดสัญญาณรบกวนที่ตกค้าง การลดความพร่ามัวของภาพ เกณฑ์มาตรฐานสัญญาณรบกวนจากกล้องที่สมจริง และความเสี่ยงในทางปฏิบัติในการสร้างรายละเอียดของภาพ

คำถาม 1 ของ 8

จริง ๆ แล้ว DnCNN ทำนายอะไรระหว่างการฝึกอบรม?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. จริง ๆ แล้ว DnCNN ทำนายอะไรระหว่างการฝึกอบรม?
    • เสียงรบกวนที่เหลือซึ่งจะถูกลบออกจากอินพุต
    • การตั้งค่า ISO ของกล้องที่แน่นอน
    • คำอธิบายข้อความของฉาก
    • แผนที่เชิงลึกของภาพ
  2. เหตุใด Blind Debluring จึงถือว่ายากกว่า Debluring
    • เพราะภาพจะมีสีอยู่เสมอ
    • เนื่องจากเคอร์เนลเบลอที่อธิบายว่าพิกเซลเลอะนั้นมักไม่ทราบ
    • เพราะการลบภาพเบลอต้องใช้สัญญาณ GPS
    • เพราะเสียงรบกวนไม่สามารถเติมสังเคราะห์ได้
  3. โดยทั่วไปแล้วคู่การฝึกอบรมสำหรับเครือข่ายเหล่านี้ถูกสร้างขึ้นอย่างไร
    • โดยการวาดเวอร์ชันที่สะอาดด้วยมือ
    • โดยการสแกนฟิล์มเนกาทีฟ
    • โดยการเพิ่มสัญญาณรบกวนสังเคราะห์หรือความเบลอให้กับภาพถ่ายที่สะอาดตา
    • โดยบันทึกเสียงควบคู่ไปกับภาพ
  4. สถาปัตยกรรมใดที่มักใช้เป็นแกนหลักในการฟื้นฟูภาพ
    • การถดถอยเชิงเส้นอย่างง่าย
    • ต้นไม้การตัดสินใจ
    • การค้นหาการฝังคำ
    • ตัวเข้ารหัสและตัวถอดรหัส U-Net
  5. แนวคิดหลักเบื้องหลังแนวทางการฝึกอบรม Noise2Noise คืออะไร
    • โดยจะจับคู่การสังเกตที่มีเสียงดังอย่างหนึ่งกับอีกอันหนึ่งที่มีเสียงดัง โดยไม่ต้องมีเป้าหมายที่ชัดเจน
    • ต้องใช้ภาพเป้าหมายที่สะอาดสมบูรณ์แบบ
    • ใช้ได้กับข้อความเท่านั้น
    • มันไม่ใช้โครงข่ายประสาทเทียมเลย
  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