Тест за пленоксели и вокселни радиационни полета

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Кой е най-изненадващият избор на дизайн в Plenoxels в сравнение с NeRF?
   • Той изобщо не използва невронна мрежа
   • Той използва много по-дълбока невронна мрежа
   • Работи само в 2D
   • Изисква LiDAR скенери
2. Какво съхранява всеки зает воксел в Plenoxels, за да улови зависим от изгледа цвят?
   • Пълна RGB текстурна карта
   • Сферични хармонични коефициенти
   • Отделна невронна мрежа
   • Само стойност на дълбочината
3. What optimization-time comparison did the Plenoxels paper report on its evaluated benchmarks?
   • Exactly the same optimization time on every scene
   • About two orders of magnitude slower in all cases
   • About two orders of magnitude faster than NeRF in the reported settings
   • No measurable difference under any setup
4. Как се извличат стойности от вокселната мрежа по протежение на лъч?
   • Само търсене на най-близък съсед
   • Случайна извадка
   • Конволюционен филтър
   • Трилинейна интерполация
5. What conclusion is supported by Plenoxels’ benchmark results?
   • An explicit sparse grid can achieve NeRF-comparable results on the evaluated tasks without an MLP
   • Neural networks are never useful for 3D vision
   • Voxels always outperform every neural representation
   • Volume rendering requires no optimization
6. За да остане ефективна, как се съхранява вокселната мрежа на Plenoxels?
   • Като плътен напълно запълнен куб
   • Като рядка решетка, запазваща само заетите воксели
   • Като едно плоско изображение
   • Като компресирани видео кадри
7. What regularizer did the Plenoxels paper use to encourage spatial smoothness?
   • Загуба на разпознаване на речта
   • A KL penalty between language models
   • A total-variation regularizer on voxel coefficients
   • A bitrate constraint on rendered images
8. What does “Plenoxels” expand to?
   • Planar neural outputs
   • Perceptual linear voxels
   • Point-level network samples
   • Plenoptic voxels