Тест, свързан с ръководство · Среден Ниво

Тест за генериране на текст към 3D

Тествайте DreamFusion дестилация, оптимизация на NeRF, артефакти на Janus, модели за подаване напред, съгласуваност на множество изгледи и 3D ограничения.

Свързани ръководни пътекиГенериране на текст към 3D
Въпрос 1 на 8

Коя беше ключовата иновация на DreamFusion (2022)?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Коя беше ключовата иновация на DreamFusion (2022)?
    • Той използва Score Destillation Sampling, за да направи 3D от 2D модел на дифузия без 3D тренировъчни данни
    • Той беше първият, който сканира реални обекти с LiDAR
    • Той се обучава директно върху масивен набор от данни за 3D мрежи
    • Той генерира 3D модели незабавно с едно минаване напред
  2. Какъв е „проблемът с Janus“ в текст към 3D?
    • Моделите се изобразяват твърде бавно, за да бъдат полезни
    • Генерираните обекти показват множество лица или фронтове от различни ъгли
    • Текстурите изглеждат избелени и сиви
    • 3D файловият формат е несъвместим с двигателите на игрите
  3. Коя двойка бяха ранните модели на OpenAI за прехвърляне на текст към 3D?
    • DALL-E и CLIP
    • Стабилна дифузия и Midjourney
    • Point-E и Shap-E
    • DreamFusion и Magic3D
  4. Защо ранните базирани на оптимизация методи като DreamFusion бяха бавни?
    • Те трябваше да изтеглят модели от облака всеки път
    • По подразбиране те се изобразяват в 8K резолюция
    • Те изискваха ръчно скулптуриране между стъпките
    • Те оптимизираха отделно 3D представяне на обект за много итерации на изобразяване
  5. Кой изходен формат НЕ е типично 3D представяне, създадено от тези системи?
    • MP3 аудио форма на вълната
    • Многоъгълна мрежа
    • Радиационно поле (NeRF)
    • Облак от точки
  6. Какво представлява „последователността на множество изгледи“ като предизвикателство?
    • Уеднаквяване на размера на файла при всички експорти
    • Гарантиране, че обектът изглежда съгласуван и правилен от всеки ъгъл на камерата
    • Поддържане на текстовата подкана под ограничение на думата
    • Съвпадение на цветовата палитра с ръководство за марка
  7. What representation does Shap-E directly generate?
    • Only a fixed-resolution RGB image
    • A text transcript with speaker labels
    • Parameters of implicit functions that can render as textured meshes or neural radiance fields
    • A single unstructured audio waveform
  8. How does the Point-E paper’s two-stage system produce a 3D point cloud?
    • A 3D artist manually models every prompt
    • A NeRF is optimized from scratch using hundreds of camera views
    • A classifier predicts a file extension without generating geometry
    • A text-to-image model first generates a synthetic view, then an image-conditioned diffusion model produces a point cloud