اختبار مرتبط بالدليل · متوسط المستوى
اختبار ترميز التجزئة الفوري NGP
اختبر كيف تعمل شبكات التجزئة متعددة الدقة الخاصة بـ Instant-NGP، والميزات ثلاثية الخطوط، وMLP الصغيرة على تسريع الرسومات العصبية أثناء إدارة الذاكرة.
سؤال 1 من 8
ما هو عنق الزجاجة الرئيسي في NeRFs الكلاسيكية التي تستهدفها Instant-NGP؟
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- ما هو عنق الزجاجة الرئيسي في NeRFs الكلاسيكية التي تستهدفها Instant-NGP؟
- استفسر MLP الكبير ملايين المرات لكل مشهد
- عرض النطاق الترددي للشبكة للتدفق
- معدل تحديث العرض
- مزامنة الصوت
- أين يقوم Instant-NGP بتخزين معظم معلماته القابلة للتعلم؟
- في شبكة فوكسل كثيفة واحدة
- في جدول تجزئة متعدد الدقة لمتجهات الميزات
- في جوهر الكاميرا
- فقط داخل MLP عميق جدًا
- كيف يتم دمج الميزات عبر مستويات الدقة المتعددة؟
- يتم حساب متوسطها في عددية واحدة
- يتم فرزها أبجديا
- يتم البحث عنها، ومحرفة بشكل ثلاثي، ثم متسلسلة
- يتم التخلص منها إلا على مستوى أرقى
- كيف يتعامل Instant-NGP مع تصادمات التجزئة في جداول الدقة الدقيقة الخاصة به؟
- يمنع الاصطدام تمامًا بطاولة ضخمة
- يتعطل عند حدوث الاصطدامات
- إنه يقوم بتجزئة الألوان فقط، ولا يضعها أبدًا
- إنه يتيح حدوث الاصطدامات ويعتمد على التدرجات التدريبية لتوضيح الغموض
- ما مدى تسريع Instant-NGP تقريبًا لتدريب NeRF؟
- من الساعات إلى الثواني (أوامر من حيث الحجم)
- إنه في الواقع أبطأ
- أسرع بحوالي 5 بالمائة
- لا يوجد تغيير، فقط جودة أفضل
- بعيدًا عن NeRFs، ما الذي يمكن أن يمثله تشفير شبكة التجزئة؟
- النص المطبوع فقط
- وظائف المسافة الموقعة وصور جيجابيكسل
- الرسوم البيانية للأسهم فقط
- أشكال الموجات الصوتية فقط
- Why does Instant-NGP allow different fine-grid cells to share a hash-table entry?
- To make every spatial coordinate map to a unique table entry
- To remove the need for trainable feature vectors
- To keep the feature tables bounded in memory while representing higher-resolution spatial detail
- To replace all grid levels with one full-resolution dense array
- How do Instant-NGP's resolution levels balance collisions and spatial detail?
- Every level uses one dense grid with no feature table
- Coarse levels share all entries while fine levels are guaranteed collision-free
- Only the highest-resolution level stores learnable features
- Coarse levels can be collision-free while finer levels share entries to represent more detail within bounded memory