引導式測驗 · 中等 等級
Real-ESRGAN 實用修復測驗
了解 Real-ESRGAN 如何模擬真實世界的影像退化並在復原過程中處理雜訊、壓縮和記憶體限制。
問題 1 的 8
Real-ESRGAN 解決了原始 ESRGAN 的哪些關鍵弱點?
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。
- Real-ESRGAN 解決了原始 ESRGAN 的哪些關鍵弱點?
- 它只接受過乾淨雙三次降尺度訓練
- 它僅適用於灰階影像
- 它無法在 GPU 上運行
- 需要配對真實照片
- Real-ESRGAN 的「高階退化」模型是什麼?
- 更高解析度的發生器
- 按順序應用的一系列隨機降級
- 新的注意力機制
- 更大的判別器
- Real-ESRGAN 使用什麼鑑別器架構?
- 單一線性分類器
- 循環網絡
- 具有譜歸一化功能的 U-Net
- 冷凍的 VGG
- Real-ESRGAN 中的“sinc”濾波器會再現哪些偽影?
- 色帶
- 鏡頭光暈
- 色差
- 振鈴和過衝
- Real-ESRGAN 生成器保留了 ESRGAN 的哪些支柱?
- RRDB 區塊
- 變壓器編碼器
- 擴散 U 網
- LSTM 堆疊
- 在 GFPGAN 的記錄推論指令中,預設設定的背景升頻器(upsampler)是什麼?
- 真實ESRGAN
- 僅限 ESRGAN
- 固定的雙三次插值(bicubic resize)
- 不支援任何背景升頻器
- Real-ESRGAN 的動漫檢查點(anime checkpoint)旨在修復哪種類型的影像?
- 僅限醫療電腦斷層掃描(CT)
- 僅限衛星照片
- 動漫插圖
- 僅限灰階手寫文件
- 為什麼分塊推論(tiled inference)有助於修復超大影像?
- 它能確保每個分塊包含相同的細節
- 它將超解析度替換為影像壓縮
- 它防止模型看到任何相鄰像素
- 它透過處理較小的區塊來降低峰值記憶體使用量