引导式测验 · 中等 等级

Pix2Pix 图像到图像翻译测验

检查 Pix2Pix 的配对数据要求、U-Net 生成器、PatchGAN 判别器以及对抗性和 L1 损失的互补作用。

相关引导路径Pix2pix 图像到图像翻译
问题 1 的 8

Pix2Pix 需要什么样的训练数据？

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. Pix2Pix 需要什么样的训练数据？
    • 配对输入输出图像示例
    • 根本没有数据
    • 仅文字说明
    • 录音
  2. Pix2Pix 使用什么生成器架构？
    • 普通的全连接网络
    • 具有跳跃连接的 U-Net
    • 循环网络
    • 决策树
  3. Pix2Pix 中的 PatchGAN 判别器评估什么？
    • 整个图像作为一个全局分数
    • 图像文件大小
    • 小局部图像块的真实感
    • 训练时间
  4. 为什么 Pix2Pix 在对抗性损失的同时添加 L1 损失？
    • 故意放慢训练速度
    • 删除鉴别器
    • 生成随机噪声
    • To anchor pixelwise and low-frequency fidelity while the adversarial loss encourages sharper texture
  5. 为什么 U-Net 跳过连接对翻译任务特别有帮助？
    • 它们直接通过网络传递共享结构（如边缘）
    • 他们删除不必要的层
    • 他们将图像转换为文本
    • 他们减少了数据集的大小
  6. 哪个模型扩展了 Pix2Pix 以从不配对的图像集合中学习？
    • 残差网络
    • 循环GAN
    • 伯特
    • 词向量
  7. Why can a PatchGAN discriminator encourage sharper local image texture?
    • It predicts the input labels directly
    • It replaces the generator’s U-Net
    • It judges realism in small image patches rather than only scoring the whole image
    • It computes only global color histograms
  8. In Pix2Pix, which part of the objective most directly anchors an output to its paired target image?
    • The learning-rate warmup
    • The GAN’s random seed
    • The PatchGAN receptive-field count
    • The L1 pixel-difference loss