แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบความละเอียดสูงสุด ESRGAN และ GAN

ศึกษาการออกแบบการขยายขนาดภาพที่ขัดแย้งกันของ ESRGAN ข้อดีข้อเสียของความสมจริงในการรับรู้ และขีดจำกัดของรายละเอียดที่สร้างขึ้น

เส้นทางแนะนำที่เกี่ยวข้องEsrgan และ GAN ความละเอียดสูงสุด
คำถาม 1 ของ 8

'GAN' ใน ESRGAN หมายถึงอะไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. 'GAN' ใน ESRGAN หมายถึงอะไร
    • เครือข่ายปฏิปักษ์ทั่วไป
    • เครือข่ายการสะสมไล่ระดับ
    • โหนดการประมาณแบบเกาส์เซียน
    • เครือข่ายความสนใจระดับโลก
  2. ตัวสร้าง ESRGAN ใช้ Building Block ใดเป็นหลัก
    • เซลล์หน่วยความจำระยะสั้นระยะยาว
    • บล็อกความหนาแน่นของสารตกค้าง (RRDB)
    • เลเยอร์การกำหนดเส้นทางแคปซูล
    • บล็อกความสนใจในตนเองของหม้อแปลงไฟฟ้า
  3. เหตุใดผู้เขียนของ ESRGAN จึงลบการทำให้เป็นมาตรฐานแบบแบตช์ออกจากตัวสร้าง
    • มันทำให้การฝึกช้าลงมากเกินไป
    • มันเพิ่มหน่วยความจำเกินขีดจำกัด
    • มีแนวโน้มที่จะแนะนำสิ่งประดิษฐ์ที่มองเห็นได้
    • มันเข้ากันไม่ได้กับ GAN
  4. อะไรคือข้อแลกเปลี่ยนหลักที่ ESRGAN ทำเมื่อเปรียบเทียบกับวิธีการสูญเสียพิกเซลเท่านั้น
    • ความเร็วเหนือความแม่นยำ
    • ความแม่นยำของสีมากกว่าความละเอียด
    • หน่วยความจำต่ำกว่าความละเอียดสูงกว่า
    • ความสมจริงในการรับรู้เหนือความเที่ยงตรงของพิกเซลที่แน่นอน
  5. การสูญเสียการรับรู้ (VGG) ของ ESRGAN วัดได้ที่ไหน
    • เกี่ยวกับคุณสมบัติก่อนเปิดใช้งาน
    • บนพิกเซล RGB แบบดิบเท่านั้น
    • เกี่ยวกับคะแนนสุดท้ายของผู้เลือกปฏิบัติ
    • บนอินพุตที่แปลงฟูริเยร์
  6. ผู้เลือกปฏิบัติของ ESRGAN แนะนำนวัตกรรมอะไร
    • โปรแกรมเข้ารหัสอัตโนมัติแบบหมุนวนล้วนๆ
    • การเลือกปฏิบัติเชิงสัมพัทธภาพเปรียบเทียบความสมจริงกับความสมจริงปลอม
    • รูปแบบรางวัลเสริมการเรียนรู้
    • ลักษณนามที่ผ่านการฝึกอบรมมาแล้วแบบแช่แข็ง
  7. Which competition did the ESRGAN paper report winning?
    • The ImageNet classification challenge
    • The Vesuvius Challenge
    • The PIRM 2018 perceptual super-resolution challenge
    • The COCO image-captioning challenge
  8. Why should generated detail from ESRGAN not be treated as recovered photographic evidence?
    • The model records the original sensor data exactly
    • GANs can only enlarge images without changing pixels
    • The output is guaranteed to match the lost high-resolution image
    • The model can synthesize plausible textures that were not present in the low-resolution input