引導式測驗 · 中等 等級
ESRGAN 和 GAN 超解析度測驗
研究 ESRGAN 的對抗性影像升級設計、其感知現實主義權衡及其生成細節的限制。
問題 1 的 8
ESRGAN 中的「GAN」指的是什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- ESRGAN 中的「GAN」指的是什麼?
- 生成對抗網絡
- 梯度累積網絡
- 高斯近似節點
- 全球關注網絡
- ESRGAN 生成器主要使用什麼建構塊?
- 長短期記憶細胞
- 殘差密集塊 (RRDB)
- 膠囊路由層
- Transformer 自註意力塊
- 為什麼 ESRGAN 的作者從生成器中刪除了批量歸一化?
- 它使訓練速度減慢太多
- 它增加了超越極限的記憶力
- 它往往會引入視覺偽影
- 它與 GAN 不相容
- 與僅像素損失方法相比,ESRGAN 的主要權衡是什麼?
- 速度高於精度
- 色彩準確度高於分辨率
- 較低的記憶體優於較高的分辨率
- 感知真實感勝過精確的像素保真度
- ESRGAN 的感知 (VGG) 損失在哪裡測量?
- 啟動前的功能
- 僅在原始 RGB 像素上
- 關於判別器的最終得分
- 關於傅立葉變換輸入
- ESRGAN的判別器引入了哪些創新?
- 純卷積自動編碼器
- 比較真現實主義與假現實主義的相對論判別器
- 強化學習獎勵模型
- 凍結的預訓練分類器
- 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
- 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