DreamFusion и Тест за вземане на проби за дестилация

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво 3D представяне оптимизира DreamFusion?
   • NeRF (Невронно излъчващо поле)
   • Многоъгълна мрежа
   • Облак от точки от сензор за дълбочина
   • Вокселна мрежа от CT данни
2. Колко данни за 3D обучение изисква DreamFusion?
   • Няколкостотин сканирания
   • Няма
   • Милиони CAD модели
   • Един референтен обект на подкана
3. What is the computational shortcut in Score Distillation Sampling?
   • It trains a new diffusion model every step
   • Той изобщо не използва градиенти
   • It uses a stop-gradient score signal instead of backpropagating through the diffusion model’s full Jacobian
   • Той изобразява само една фиксирана гледна точка
4. Why did DreamFusion use high classifier-free guidance in its experiments?
   • За намаляване на GPU паметта
   • За да направите изходи в сивата скала
   • To guarantee accurate geometry
   • To counter the oversmoothing tendency of SDS and encourage sharper prompt-conditioned results
5. Кой 2D модел използва оригиналният DreamFusion като своя замразена предишна?
   • Изображение на Google
   • Стабилна дифузия 1.5
   • DALL-E 2
   • Midjourney
6. What artifact can arise when a 2D image prior guides a 3D scene across views?
   • A guaranteed watertight mesh
   • Duplicated faces or features on different sides of the object
   • A single grayscale output
   • A 3D object with no rendered views
7. Why does DreamFusion render the NeRF from sampled camera angles during optimization?
   • To avoid using the NeRF representation
   • To replace the text prompt with camera metadata
   • To let the 2D prior provide guidance from multiple views of the 3D scene
   • To create an audio soundtrack
8. What does an optimized NeRF allow a user to do with the generated scene?
   • Recover the original 3D training scan
   • Guarantee physically correct materials
   • Generate only the original training image
   • Render it from new viewpoints and relight it