一位机器学习工程师使用 Data Wrangler 训练了一个事故检测模型，并取得了良好的训练/验证结果，但由于摄像机图像质量参差不齐，生产性能受到影响。哪种改变能最快地提高准确性？

正确答案是使用 Data Wrangler 中的 corrupt image transform 和 impulse-noise 选项重新创建训练数据集。生产性能受摄像机图像质量参差不齐的影响，这意味着模型在训练时没有充分接触到低质量图像。通过使用 Data Wrangler 的 corrupt image transform 和 impulse-noise 选项，工程师可以模拟生产环境中遇到的图像质量问题，从而生成更多样化的训练数据。这能帮助模型更好地泛化并适应不同质量的输入图像，从而最快地提高准确性。 收集额外图像虽然有用，但可能耗时且不一定能解决所有质量问题。增强图像对比度可能对某些图像有益，但不能解决所有质量参差不齐的问题，例如噪声。将图像裁剪为统一大小是常见的预处理步骤，但它本身并不能解决图像质量问题，也无法直接提高模型处理低质量图像的能力。