引导式测验 · 中等 等级

CycleGAN 未配对翻译测验

回顾 CycleGAN 如何使用逆映射、对抗性鉴别器和循环一致性来翻译没有配对示例的图像。

相关引导路径Cyclegan 未配对翻译
问题 1 的 8

CycleGAN 解决了​​哪些像 pix2pix 这样的早期方法无法解决的关键问题？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. CycleGAN 解决了​​哪些像 pix2pix 这样的早期方法无法解决的关键问题？
    • 它无需匹配的前后对即可翻译图像
    • 它完全运行在移动CPU上
    • 它消除了对任何训练数据的需要
    • 它仅适用于黑白图像
  2. 循环一致性损失会强制执行什么？
    • 所有输出图像都是灰度的
    • 将图像转换到另一个域并返回可以恢复原始图像
    • 判别者总是获胜
    • 发电机共享相同的权重
  3. 标准 CycleGAN 使用多少个生成器？
    • 一
    • 四
    • 两个
    • 三
  4. CycleGAN 通常使用什么类型的判别器？
    • 整个图像上的单个 sigmoid
    • 预训练的 ImageNet 分类器
    • 根本没有歧视者
    • 对图像块进行分类的 PatchGAN
  5. 为什么 CycleGAN 中有时会添加身份损失？
    • 当输入已与目标域匹配时帮助保留颜色
    • 为了让训练更快
    • 消除对歧视者的需要
    • 将图像转换为草图
  6. 以下哪一个是经典的 CycleGAN 演示？
    • 从语音生成文本
    • 将马照片变成斑马照片
    • 抄写手写内容
    • 压缩视频文件
  7. Why does a standard CycleGAN use one discriminator for each image domain?
    • Each one estimates the image’s text caption
    • One discriminator identifies the source dataset and the other the author
    • Each discriminator judges whether generated images look realistic in its target domain
    • They replace the two generators
  8. How can CycleGAN support synthetic-to-real adaptation for autonomous-driving vision?
    • Generate steering labels from vehicle sounds
    • Replace all road images with segmentation text
    • Identify a driver from a voice recording
    • Translate simulator images toward the visual style of real road scenes without paired matches