Pix2Pix Тест із перекладу зображень на зображення

Відповіді та пояснення з’являються під час виконання тесту.

1. Які навчальні дані потрібні Pix2Pix?
   • Приклади зображень парного введення-виведення
   • Взагалі немає даних
   • Тільки текстові підписи
   • Аудіозаписи
2. Яку архітектуру генератора використовує Pix2Pix?
   • Проста повноцінна мережа
   • U-Net із пропуском підключень
   • Рекурентна мережа
   • Дерево рішень
3. Що оцінює дискримінатор PatchGAN у Pix2Pix?
   • Весь образ як одна глобальна партитура
   • Розмір файлу зображення
   • Реалістичність невеликих локальних фрагментів зображення
   • Час навчання
4. Чому Pix2Pix додає втрату рівня L1 разом із втратою змагальності?
   • Навмисне уповільнення навчання
   • Щоб видалити дискримінатор
   • Для генерування випадкового шуму
   • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
5. Чому пропускання підключень U-Net особливо корисно для завдань перекладу?
   • Вони передають спільну структуру як ребра безпосередньо через мережу
   • Вони видаляють непотрібні шари
   • Вони перетворюють зображення в текст
   • Вони зменшують розмір набору даних
6. Яка модель розширила Pix2Pix для вивчення непарних колекцій зображень?
   • ResNet
   • CycleGAN
   • БЕРТ
   • Word2Vec
7. Why can a PatchGAN discriminator encourage sharper local image texture?
   • It predicts the input labels directly
   • It replaces the generator’s U-Net
   • It judges realism in small image patches rather than only scoring the whole image
   • It computes only global color histograms
8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
   • The learning-rate warmup
   • The GAN’s random seed
   • The PatchGAN receptive-field count
   • The L1 pixel-difference loss