Rehber bağlantılı sınav · Orta Seviye
Gerçek-ESRGAN Uygulamalı Restorasyon Testi
Real-ESRGAN'ın gerçek dünyadaki görüntü bozulmasını nasıl simüle ettiğini ve restorasyon sırasında gürültü, sıkıştırma ve bellek kısıtlamalarını nasıl ele aldığını öğrenin.
Soru 1 arasında 8
Real-ESRGAN orijinal ESRGAN'ın hangi önemli zayıflığını giderdi?
Her soruyu önizleyin8 sorular
Testi çözdüğünüzde cevaplar ve açıklamalar görünür.
- Real-ESRGAN orijinal ESRGAN'ın hangi önemli zayıflığını giderdi?
- Yalnızca temiz bikübik ölçek küçültme konusunda eğitildi
- Yalnızca gri tonlamalı görüntülerde çalıştı
- GPU'larda çalışamadı
- Eşleştirilmiş gerçek fotoğraflar gerekiyordu
- Real-ESRGAN'ın 'yüksek dereceli bozulma' modeli nedir?
- Daha yüksek çözünürlüklü bir jeneratör
- Sırayla uygulanan çoklu rastgele bozunmalardan oluşan bir zincir
- Yeni bir dikkat mekanizması
- Daha büyük bir ayrımcı
- Real-ESRGAN hangi ayrıştırıcı mimariyi kullanıyor?
- Tek bir doğrusal sınıflandırıcı
- Tekrarlanan bir ağ
- Spektral normalizasyona sahip bir U-Net
- Dondurulmuş bir VGG
- Real-ESRGAN'daki 'sinc' filtreleri hangi yapıları yeniden üretir?
- Renkli bantlama
- Mercek parlaması
- Renk sapması
- Zil sesi ve aşma
- Real-ESRGAN jeneratörü ESRGAN'dan hangi omurgayı koruyor?
- RRDB blokları
- Bir transformatör kodlayıcı
- Bir difüzyon U-Net
- Bir LSTM yığını
- In GFPGAN’s documented inference command, which background upsampler is set by default?
- Gerçek-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