Вікторина, пов’язана з посібником · Середній Рівень

Тест із усунення шумів і розмиття мереж

Перегляньте залишкове усунення шумів, сліпе усунення розмиття, реалістичні контрольні показники шуму камери та практичний ризик винайдення деталей зображення.

Пов'язані напрямні шляхиУсунення шумів і розмиття мереж
Питання 1 з 8

Що насправді прогнозує DnCNN під час навчання?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що насправді прогнозує DnCNN під час навчання?
    • Залишковий шум, який потім віднімається від вхідного
    • Точне налаштування ISO камери
    • Текстовий опис місця події
    • Карта глибини зображення
  2. Чому сліпе усунення розмиття вважається складнішим, ніж усунення шумів?
    • Тому що зображення завжди кольорові
    • Тому що ядро розмиття, яке описує, як розмазані пікселі, зазвичай невідоме
    • Оскільки для усунення розмиття потрібен сигнал GPS
    • Тому що шум неможливо додати синтетично
  3. Як зазвичай створюються навчальні пари для цих мереж?
    • Ручним малюванням чистих версій
    • Шляхом сканування негативів плівки
    • Додаючи синтетичний шум або розмиття до чистих фотографій
    • Записуючи звук разом із зображенням
  4. Яка архітектура зазвичай використовується як основа для відновлення зображення?
    • Проста лінійна регресія
    • Дерево рішень
    • Пошук із вбудованим словом
    • Кодер-декодер U-Net
  5. Яка ключова ідея підходу до навчання Noise2Noise?
    • Він відображає одне галасливе спостереження на інше шумне, не потребуючи чистої цілі
    • Для цього потрібні ідеально чисті цільові зображення
    • Він працює лише з текстом
    • Він взагалі не використовує нейронну мережу
  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