แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการฟื้นฟูเชิงปฏิบัติ Real-ESRGAN
เรียนรู้ว่า Real-ESRGAN จำลองการเสื่อมสภาพของภาพในโลกแห่งความเป็นจริง และจัดการกับสัญญาณรบกวน การบีบอัด และข้อจำกัดของหน่วยความจำในระหว่างการคืนค่าได้อย่างไร
คำถาม 1 ของ 8
จุดอ่อนที่สำคัญของ ESRGAN ดั้งเดิมที่ Real-ESRGAN กล่าวถึงคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- จุดอ่อนที่สำคัญของ ESRGAN ดั้งเดิมที่ Real-ESRGAN กล่าวถึงคืออะไร
- ได้รับการฝึกฝนเฉพาะการลดขนาด bicubic ที่สะอาดเท่านั้น
- มันใช้งานได้กับภาพระดับสีเทาเท่านั้น
- ไม่สามารถทำงานบน GPU ได้
- ต้องใช้ภาพถ่ายจริงที่จับคู่กัน
- โมเดล 'การย่อยสลายลำดับสูง' ของ Real-ESRGAN คืออะไร
- เครื่องกำเนิดที่มีความละเอียดสูงกว่า
- ห่วงโซ่ของการย่อยสลายแบบสุ่มหลายครั้งที่ใช้ตามลำดับ
- กลไกความสนใจใหม่
- ผู้เลือกปฏิบัติที่ใหญ่กว่า
- Real-ESRGAN ใช้สถาปัตยกรรมการแบ่งแยกแบบใด
- ตัวแยกประเภทเชิงเส้นเดี่ยว
- เครือข่ายที่เกิดซ้ำ
- U-Net พร้อมการทำให้เป็นมาตรฐานสเปกตรัม
- VGG แช่แข็ง
- สิ่งประดิษฐ์ใดที่ตัวกรอง 'sinc' ใน Real-ESRGAN ทำซ้ำ
- แถบสี
- เลนส์แฟลร์
- ความผิดปกติของสี
- เสียงเรียกเข้าและแหกคอก
- ตัวสร้าง Real-ESRGAN เก็บแบ็คโบนอะไรจาก ESRGAN
- บล็อก RRDB
- ตัวเข้ารหัสหม้อแปลง
- การแพร่กระจาย U-Net
- สแต็ก LSTM
- In GFPGAN’s documented inference command, which background upsampler is set by default?
- จริง-ESRGAN
- ESRGAN only
- A fixed bicubic resize
- No background upsampler is supported
- What kind of images is Real-ESRGAN’s anime checkpoint intended to restore?
- Only medical CT scans
- Only satellite photographs
- Anime illustrations
- Only grayscale handwritten documents
- Why can tiled inference help when restoring a very large image?
- It guarantees that every tile contains the same details
- It replaces super-resolution with image compression
- It prevents the model from seeing any neighboring pixels
- It processes smaller patches to reduce peak memory use