Bài kiểm tra có liên kết hướng dẫn · Trung bình Cấp độ
Câu đố phục hồi thực tế ESRGAN thực tế
Tìm hiểu cách Real-ESRGAN mô phỏng sự suy giảm hình ảnh trong thế giới thực và xử lý các hạn chế về nhiễu, nén và bộ nhớ trong quá trình khôi phục.
Câu hỏi 1 của 8
Real-ESRGAN đã giải quyết điểm yếu chính nào của ESRGAN ban đầu?
Xem trước mọi câu hỏi8 câu hỏi
Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.
- Real-ESRGAN đã giải quyết điểm yếu chính nào của ESRGAN ban đầu?
- Nó chỉ được đào tạo về thu nhỏ tỷ lệ bicubic sạch
- Nó chỉ hoạt động trên hình ảnh thang độ xám
- Nó không thể chạy trên GPU
- Nó yêu cầu ghép ảnh thật
- Mô hình 'suy thoái bậc cao' của Real-ESRGAN là gì?
- Trình tạo có độ phân giải cao hơn
- Một chuỗi nhiều suy giảm ngẫu nhiên được áp dụng theo trình tự
- Cơ chế chú ý mới
- Một sự phân biệt đối xử lớn hơn
- Real-ESRGAN sử dụng kiến trúc phân biệt đối xử nào?
- Một bộ phân loại tuyến tính duy nhất
- Mạng tái diễn
- Một U-Net với chuẩn hóa quang phổ
- VGG đông lạnh
- Bộ lọc 'sinc' trong Real-ESRGAN tái tạo những tạo phẩm nào?
- Dải màu
- Ống kính lóa
- Quang sai màu
- Đổ chuông và vượt qua
- Trình tạo Real-ESRGAN giữ lại xương sống nào từ ESRGAN?
- Các khối RRDB
- Bộ mã hóa máy biến áp
- Một U-Net khuếch tán
- Một ngăn xếp LSTM
- In GFPGAN’s documented inference command, which background upsampler is set by default?
- ESRGAN thực sự
- 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