引导式测验 · 中等 等级
去噪和去模糊网络测验
检查残余去噪、盲去模糊、真实的相机噪声基准以及创造图像细节的实际风险。
问题 1 的 8
DnCNN 在训练过程中实际预测什么？
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。
- DnCNN 在训练过程中实际预测什么？
- 然后从输入中减去噪声残差
- 准确的相机 ISO 设置
- 场景的文字描述
- 图像的深度图
- 为什么盲去模糊被认为比去噪更难？
- 因为图像总是彩色的
- 因为描述像素如何涂抹的模糊内核通常是未知的
- 因为去模糊需要GPS信号
- 因为噪声无法综合添加
- 这些网络的训练对通常是如何创建的？
- 通过手绘干净版本
- 通过扫描底片
- 通过添加合成噪音或模糊来干净的照片
- 通过在图像旁边录制音频
- 什么架构通常用作图像恢复的骨干？
- 简单的线性回归
- 决策树
- 词嵌入查找
- U-Net 编码器-解码器
- Noise2Noise 训练方法背后的关键思想是什么？
- 它将一个嘈杂的观察映射到另一个嘈杂的观察，不需要干净的目标
- 它需要完全干净的目标图像
- 它只适用于文本
- 它根本不使用神经网络
- 为什么增加感知或对抗性目标可以成为恢复过程中的权衡？
- 它们使图像无法显示
- 它们可以提高视觉自然度，但可以支持像素保真度之外的合理细节
- 它们保证每个像素的精确恢复
- 他们消除了对训练数据的需求
- SIDD 在图像恢复研究中有何用途？
- 测量望远镜镜面对准
- 对演讲稿进行排名
- 评估真实智能手机相机噪声的去噪
- 测试粒子探测器触发器
- 当生成恢复模型锐化图像时存在什么风险？
- 它总是减少图像尺寸
- 它将每个图像转换为灰度
- 它消除了检查结果的需要
- 它可能会发明测量结果不支持的看似合理的细节