Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ

Câu đố về khử nhiễu và làm mờ mạng

Xem xét khả năng khử nhiễu còn sót lại, khử mờ mù, điểm chuẩn về độ ồn của máy ảnh thực tế và rủi ro thực tế của việc phát minh ra chi tiết hình ảnh.

Đường dẫn hướng dẫn liên quanMạng khử nhiễu và làm mờ
Câu hỏi 1 của 8

DnCNN thực sự dự đoán điều gì trong quá trình đào tạo?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. DnCNN thực sự dự đoán điều gì trong quá trình đào tạo?
    • Tiếng ồn dư, sau đó được trừ đi khỏi đầu vào
    • Cài đặt ISO chính xác của máy ảnh
    • Một văn bản mô tả cảnh
    • Bản đồ độ sâu của hình ảnh
  2. Tại sao việc khử mờ mù được coi là khó hơn việc khử nhiễu?
    • Vì hình ảnh luôn có màu sắc
    • Bởi vì hạt nhân mờ mô tả cách các điểm ảnh bị nhòe thường không xác định được
    • Bởi vì việc khử mờ cần có tín hiệu GPS
    • Bởi vì tiếng ồn không thể được thêm vào một cách tổng hợp
  3. Các cặp đào tạo cho các mạng này thường được tạo ra như thế nào?
    • Bằng cách vẽ tay các phiên bản sạch sẽ
    • Bằng cách quét phim âm bản
    • Bằng cách thêm nhiễu tổng hợp hoặc làm mờ để làm sạch ảnh
    • Bằng cách ghi âm thanh cùng với hình ảnh
  4. Kiến trúc nào thường được sử dụng làm xương sống cho việc khôi phục hình ảnh?
    • Hồi quy tuyến tính đơn giản
    • Cây quyết định
    • Tra cứu nhúng từ
    • Bộ mã hóa-giải mã U-Net
  5. Ý tưởng chính đằng sau phương pháp đào tạo Noise2Noise là gì?
    • Nó ánh xạ một quan sát ồn ào sang một quan sát ồn ào khác, không cần mục tiêu rõ ràng
    • Nó đòi hỏi hình ảnh mục tiêu hoàn toàn sạch sẽ
    • Nó chỉ hoạt động trên văn bản
    • Nó hoàn toàn không sử dụng mạng lưới thần kinh
  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