引导式测验 · 中等 等级

ESRGAN 和 GAN 超分辨率测验

研究 ESRGAN 的对抗性图像升级设计、其感知现实主义权衡及其生成细节的限制。

相关引导路径埃斯尔甘和GAN超级分辨率
问题 1 的 8

ESRGAN 中的“GAN”指的是什么？

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。

  1. ESRGAN 中的“GAN”指的是什么？
    • 生成对抗网络
    • 梯度累积网络
    • 高斯近似节点
    • 全球关注网络
  2. ESRGAN 生成器主要使用什么构建块？
    • 长短期记忆细胞
    • 残差密集块 (RRDB)
    • 胶囊路由层
    • Transformer 自注意力块
  3. 为什么 ESRGAN 的作者从生成器中删除了批量归一化？
    • 它使训练速度减慢太多
    • 它增加了超出极限的记忆力
    • 它往往会引入视觉伪影
    • 它与 GAN 不兼容
  4. 与仅像素损失方法相比，ESRGAN 的主要权衡是什么？
    • 速度高于精度
    • 色彩准确度高于分辨率
    • 较低的内存优于较高的分辨率
    • 感知真实感胜过精确的像素保真度
  5. ESRGAN 的感知 (VGG) 损失在哪里测量？
    • 激活前的功能
    • 仅在原始 RGB 像素上
    • 关于判别器的最终得分
    • 关于傅立叶变换输入
  6. ESRGAN的判别器引入了哪些创新？
    • 纯卷积自动编码器
    • 比较真现实主义与假现实主义的相对论判别器
    • 强化学习奖励模型
    • 冻结的预训练分类器
  7. Which competition did the ESRGAN paper report winning?
    • The ImageNet classification challenge
    • The Vesuvius Challenge
    • The PIRM 2018 perceptual super-resolution challenge
    • The COCO image-captioning challenge
  8. Why should generated detail from ESRGAN not be treated as recovered photographic evidence?
    • The model records the original sensor data exactly
    • GANs can only enlarge images without changing pixels
    • The output is guaranteed to match the lost high-resolution image
    • The model can synthesize plausible textures that were not present in the low-resolution input