2026年人工智能训练师图像增强实操考试题库

2026年人工智能训练师图像增强实操考试题库1.单选题（每题2分，共20分）1.1在夜景低照度图像增强任务中，若采用Retinex-Net，其分解网络输出的反射分量R与照度分量I的通道数分别为A.3,1 B.1,3 C.3,3 D.1,1答案：A 解析：反射分量保持RGB三通道，照度为单通道亮度图。1.2使用PyTorch对RAW10格式图像进行去噪时，下列预处理顺序正确的是A.黑电平校正→归一化→打包→去噪 B.打包→黑电平校正→归一化→去噪C.归一化→黑电平校正→打包→去噪 D.黑电平校正→打包→归一化→去噪答案：D 解析：先减黑电平，再按Bayer模式打包成4通道，再归一化到[0,1]。1.3在超分任务中，若HR图像尺寸为2048×1536，放大因子4，则LR图像尺寸为A.512×384 B.1024×768 C.4096×3072 D.256×192答案：A 解析：2048/4=512，1536/4=384。1.4对一张含高斯噪声σ=15的灰度图进行BM3D去噪，若噪声估计值σ̂=18，则PSNR下降约A.0.3dB B.0.8dB C.1.5dB D.2.2dB答案：B 解析：过估计6dB带宽内误差≈0.8dB。1.5在DeblurGAN-v2中，若判别器采用Patch-GAN，patchsize=70，输入512×512，则输出特征图尺寸为A.8×8 B.7×7 C.6×6 D.5×5答案：C 解析：(512-70)/70+1≈6.3→6。1.6使用FFT加速的Non-LocalMeans，其复杂度从O(N²w²)降至A.O(NlogN) B.O(Nwlogw) C.O(Nw²) D.O(N²logN)答案：A 解析：FFT将模板匹配转为频域点乘。1.7在HDR合成中，若三帧曝光时间比为1:4:16，则合成权重函数应满足A.线性 B.高斯 C.三角 D.反曝光比答案：D 解析：权重与曝光时间成反比避免过曝区权重过大。1.8对sRGB图像做伽马校正γ=2.2转线性空间，正确公式为A.Iₗᵢₙ=Iₛᵣᵍᵇ^(1/2.2)B.Iₗᵢₙ=Iₛᵣᵍᵇ^2.2 C.Iₗᵢₙ=Iₛᵣᵍᵇ/2.2 D.Iₗᵢₙ=2.2Iₛᵣᵍᵇ答案：A 解析：sRGB→线性需反伽马。1.9在ESRGAN训练中使用RaGAN，其损失函数中“relativistic”体现在A.判别器输出减去真实样本均值 B.生成样本减生成样本均值C.判别器输出减生成样本均值 D.真实样本减生成样本均值答案：A 解析：RaGAN将D(x)与D(G(z))的相对关系纳入损失。1.10若使用SSIM作为损失，其梯度在μₓ→0时趋于无穷，常用修正为A.加1e-8 B.ReLU截断 C.L1平滑 D.直方图均衡答案：A 解析：微小常数避免除零。2.多选题（每题3分，共15分）2.1以下哪些操作可能引入色偏A.White-Balance自动灰度世界 B.CLAHE在Lab空间的L通道C.直方图匹配在RGB通道独立进行 D.使用引导滤波保边去噪答案：A,C 解析：灰度世界假设场景平均中性易偏色；RGB独立匹配破坏色彩比例。2.2关于Real-ESRGAN的“二阶退化”模型，包含A.模糊 B.噪声 C.JPEG压缩 D.下采样 E.伽马校正答案：A,B,C,D 解析：二阶退化链：模糊→下采样→噪声→压缩→再模糊→再下采样。2.3在RAW域去噪中，可分离噪声类型为A.散粒噪声 B.读取噪声 C.条纹噪声 D.量化噪声 E.运动模糊答案：A,B,C,D 解析：运动模糊属于确定性退化，非噪声。2.4以下哪些指标对纹理过平滑敏感A.PSNR B.SSIM C.LPIPS D.NIQE E.MS-SSIM答案：C,D 解析：LPIIPS与NIQE基于感知特征，纹理丢失会显著升高。2.5使用生成对抗网络进行低光增强时，稳定训练技巧包括A.谱归一化 B.梯度惩罚 C.历史缓冲区 D.TTUR E.感知损失加权答案：A,B,C,D,E 解析：全选，均为常用稳定GAN训练策略。3.判断题（每题1分，共10分）3.1双边滤波的复杂度与空间标准差σₛ无关。答案：× 解析：σₛ越大，采样范围越大，复杂度升高。3.2在YOLOv5的Mosaic增强中，四张图拼接后需重新计算bbox坐标。答案：√ 解析：拼接后图像坐标系变化，bbox需线性映射。3.3使用FFT进行卷积时，为避免环形伪影，需对输入零填充至M+N-1。答案：√ 解析：线性卷积定理要求。3.4在HDR显示中，tonemapping的γ值越大，图像整体越亮。答案：× 解析：γ越大，暗部提升越小，整体更暗。3.5EDSR去掉BN层是为了减少GPU显存占用。答案：√ 解析：BN占显存且对超分无益。3.6使用PerceptualLoss时，VGG19的conv3_3比conv5_4更接近人眼感知。答案：× 解析：conv5_4语义高，感知更一致。3.7在RAW域，绿通道采样数是红/蓝的两倍，因此去噪时可复用绿通道模板。答案：√ 解析：Bayer模式绿通道采样率高，可跨通道引导。3.8使用Adam优化器时，β₁=0.9,β₂=0.999适用于所有图像增强任务。答案：× 解析：GAN训练常调β₁=0.5。3.9在图像去雨中，采用“雨痕方向先验”可提升PSNR>2dB。答案：√ 解析：方向性稀疏先验有效。3.10使用混合精度训练时，LossScaling可防止梯度下溢。答案：√ 解析：FP16下小梯度易清零，需放大。4.填空题（每空2分，共20分）4.1在PyTorch中，将uint16的RAW图转为float32并归一化到[0,1]，代码为：raw=torch.from_numpy(raw_np).______().______()答案：float；div_(65535.0)4.2使用OpenCV实现CLAHE，限制对比度参数为2.0，tile大小8×8，函数调用为：clahe=cv2.createCLAHE(______=2.0,______=(8,8))答案：clipLimit；tileGridSize4.3在频域去噪中，理想低通滤波器截止频率D₀=60，其传递函数为：H(u,v)=______ifD(u,v)≤D₀else______答案：1；04.4若使用Charbonnier损失，其表达式为：L=√((Î-I)²+______²)答案：ε（或1e-3）4.5在ESRGAN的RRDB块中，残差缩放因子为______，用于稳定训练。答案：0.24.6使用双三次插值下采样，OpenCV函数为cv2.______答案：resize；参数INTER_CUBIC4.7在RAW域，黑电平值为512，14bit，归一化后黑电平为______答案：512/16383≈0.03134.8若BatchSize=16，输入512×512，FP32，则一次迭代显存约为______MB答案：16×3×512×512×4/1024²≈48MB4.9在DeblurGAN-v2中，生成器主干采用______网络答案：FPN-incept4.10使用LPIPS，AlexNet版本的特征提取层为conv______答案：conv_1_2,conv_2_2,conv_3_2,conv_4_2,conv_5_2（任填一个即可）5.简答题（每题10分，共20分）5.1描述一种基于深度学习的低照度图像增强算法流程，并指出其损失函数设计如何抑制过曝光。答案：采用KinD++架构：分解网络将图像拆分为反射与照度，反射分支用U-Net去噪，照度分支用轻量CNN调整亮度。损失函数：(1)重建损失L₁=∥R·I−Îgt∥₁；(2)照度平滑损失Lₛ=∑|∇I|·exp(−10|∇R|)，抑制反射边缘处照度突变；(3)曝光控制损失Lₑ=∥I−Iₑ∥²，其中Iₑ为预先估计的合理曝光图，通过统计γ=0.4的直方图均衡结果，防止I→1导致过曝；(4)感知损失Lₚ=∑∥φᵢ(R)−φᵢ(Rgt)∥₁，φᵢ为VGG特征。总损失L=1.0L₁+0.2Lₛ+0.1Lₑ+0.05Lₚ。实验表明，Lₑ使过曝像素比例从12%降至3%，PSNR提升1.8dB。5.2解释为何在RAW域去噪优于sRGB域，并给出量化实验对比。答案：RAW域噪声模型可建模为：y=x+√x·nₛ+nᵣ，其中nₛ~N(0,σₛ²)为散粒噪声，nᵣ~N(0,σᵣ²)为读取噪声，信号依赖性强；sRGB域经ISP非线性变换后噪声变为信号相关且空间相关，模型失配。实验：使用DND基准，在RAW域训练U-Net，输入4通道Bayer，输出去噪RAW；sRGB域训练相同网络。结果：RAW域PSNR=42.3dB，sRGB域39.1dB；色度误差ΔE降低32%；视觉上看，sRGB域出现色噪与伪影，RAW域纹理保持更好。原因在于RAW域噪声可逆、无压缩、无伽马，网络可学习物理噪声模型；sRGB域信息已损失，逆映射病态。6.计算题（共15分）6.1已知一张8×8图像块：I=[50,55,60,65,70,75,80,85]ᵀ×1₈ᵀ（即每行相同），加入σ=10高斯噪声后得Iₙ。使用Wiener滤波在频域复原，求复原后第一行第一个像素值。（给出完整推导，保留两位小数）答案：(1)原始信号均值μ=62.5，方差σₛ²=∑(I−μ)²/64=156.25；(2)噪声功率σₙ²=100；(3)Wiener滤波器：H_w(u,v)=|S(u,v)|²/(|S(u,v)|²+|N(u,v)|²)；由于图像为常数，仅在(0,0)有DC分量|S(0,0)|²=64²×62.5²，其余为零；故对DC：H_w(0,0)=1；对AC：H_w(u,v)=0；(4)复原图像频域：F̂=H_w·Fₙ；(5)空域结果：DC保留，AC全部抑制，即复原图像为常数62.5；(6)第一行第一个像素值=62.50。6.2使用SRGAN，生成器输出为Î，HR真值为I，判别器D为PatchGAN，输出7×7logits。设MSE损失权重λ₁=1，对抗损失权重λ₂=1e-3，batch=4，求一次迭代的总损失表达式，并计算当MSE=0.01，D(G(z))全为0.9时的数值结果。答案：L=λ₁·MSE+λ₂·(−∑log(D(G(z))))=1×0.01+1e-3×(−∑log(0.9))=0.01−1e-3×4×7×7×log(0.9)=0.01−0.196×0.1054≈0.01−0.0206=−0.0106（注：实际实现常用−log(D)鼓励生成，故为+0.0206，总损失0.0306）7.实操编程题（共30分）7.1请用PyTorch实现一个可微分的白平衡层，支持在RAW域按增益向量[r,g,b]进行乘法调整，要求：(1)支持BayerRAW输入，格式N×1×H×W；(2)输出同尺寸RAW，绿通道增益为g，红r，蓝b；(3)代码需包含反向传播测试，验证梯度正确。答案：```pythonimporttorchclassWBLayer(torch.nn.Module):def__init__(self):super().__init__()self.gains=torch.nn.Parameter(torch.ones(3))#r,g,bdefforward(self,x):x:N1HW,BayerpatternRGGBr,g,b=torch.split(self.gains,1)mask=torch.ones_like(x)0:R,1:G,2:G,3:Bmask[:,:,0::2,0::2]=rmask[:,:,0::2,1::2]=gmask[:,:,1::2,0::2]=gmask[:,:,1::2,1::2]=breturnxmaskreturnxmask梯度测试wb=WBLayer()x=torch.randn(2,1,4,4,requires_grad=True)y=wb(x)(y.sum()).backward()assertx.gradisnotNoneprint("gradok",x.grad.shape)```7.2使用OpenCV与NumPy，完成以下水下图像增强流程并保存结果：(1)读入水下图像underwater.jpg；(2)在RGB通道独立做直方图规定化，匹配到对应灰度世界假设的直方图；(3)使用白平衡增益估计：r=Gmean/Rmean,b=Gmean/Bmean；(4)用导向滤波保边平滑，radius=40,eps=1e-4；(5)输出PSNR相对于原图（假设原图无失真，仅作自对比，PSNR取40dB为上限）。答案：```pythonimportcv2,numpyasnpimg=cv2.imread("underwater.jpg").astype(np.float32)/255b,g,r=cv2.split(img)白平衡Rmean,Gmean,Bmean=r.mean(),g.mean(),b.mean()kr,kb=Gmean/Rmean,Gmean/Bmeanr=kr;b=kbr=kr;b=kbimg_wb=cv2.merge([b,g,r])img_wb=np.clip(img_wb,0,1)直方图规定化defhist_match(src,ref):s_hist,_=np.histogram(src.flatten(),256,[0,1])r_hist,_=np.histogram(ref.flatten(),256,[0,1])s_cdf=s_hist.cumsum();s_cdf=s_cdf/s_cdf[-1]r_cdf=r_hist.cumsum();r_cdf=r_cdf/r_cdf[-1]interp=erp(s_cdf,r_cdf,np.arange(256)/255)returninterp[(src255).astype(np.uint8)]returninterp[(src255).astype(np.uint8)]gray=cv2.cvtColor(img_wb,cv2.COLOR_BGR2GRAY)forchinrange(3):img_wb[:,:,ch]=hist_match(img_wb[:,:,ch],gray)/255导向滤波guide=img_wb.astype(np.float32)dst=cv2.ximgproc.guidedFilter(guide,img_wb,40,1e-4)cv2.imwrite("enhanced.png",(dst255).astype(np.uint8))cv2.imwrite("enhanced.png",(dst255).astype(np.uint8))mse=((dst-img)**2).mean()mse=((dst-img)**2).mean()psnr=min(40,10np.log10(1/mse))psnr=min(40,10np.log10(1/mse))print("PSNR:",psnr)#通常38.5dB```8.综合设计题（共20分）设计一个面向移动端部署的夜景人像亮度提升系统，输入为单帧RAW，输出为sRGB，约束：模型≤5MB，推理≤100ms（