ইনস্ট্যান্ট-এনজিপি হ্যাশ এনকোডিং কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. ঝটপট-এনজিপি লক্ষ্য করে ক্লাসিক NeRF-এর প্রধান বাধা কী?
   • বৃহৎ এমএলপি প্রতি দৃশ্যে লক্ষ লক্ষ বার জিজ্ঞাসা করেছে
   • স্ট্রিমিংয়ের জন্য নেটওয়ার্ক ব্যান্ডউইথ
   • প্রদর্শন রিফ্রেশ হার
   • অডিও সিঙ্ক্রোনাইজেশন
2. ইনস্ট্যান্ট-এনজিপি এর বেশিরভাগ শেখার যোগ্য প্যারামিটার কোথায় সঞ্চয় করে?
   • একটি একক ঘন ভক্সেল গ্রিডে
   • বৈশিষ্ট্য ভেক্টরের একটি মাল্টি রেজোলিউশন হ্যাশ টেবিলে
   • ক্যামেরা অন্তর্নিহিত মধ্যে
   • শুধুমাত্র একটি খুব গভীর MLP ভিতরে
3. একাধিক রেজোলিউশন স্তর জুড়ে বৈশিষ্ট্যগুলি কীভাবে একত্রিত হয়?
   • এগুলিকে একটি স্কেলারে গড় করা হয়
   • তারা বর্ণানুক্রমিকভাবে সাজানো হয়
   • তারা উপরের দিকে তাকানো হয়, ত্রিলিখিকভাবে ইন্টারপোলেটেড, তারপর সংযুক্ত করা হয়
   • তারা সর্বোত্তম স্তর ছাড়া বাতিল করা হয়
4. ইনস্ট্যান্ট-এনজিপি কীভাবে তার সূক্ষ্ম-রেজোলিউশন টেবিলে হ্যাশ সংঘর্ষগুলি পরিচালনা করে?
   • এটি একটি বিশাল টেবিলের সাথে সম্পূর্ণভাবে সংঘর্ষ নিষিদ্ধ করে
   • সংঘর্ষ ঘটলে এটি বিধ্বস্ত হয়
   • এটি শুধুমাত্র রং হ্যাশ করে, অবস্থান করে না
   • এটি সংঘর্ষ ঘটতে দেয় এবং দ্ব্যর্থতা নিরসনের জন্য প্রশিক্ষণ গ্রেডিয়েন্টের উপর নির্ভর করে
5. মোটামুটিভাবে কতটা ইনস্ট্যান্ট-এনজিপি এনআরএফ প্রশিক্ষণের গতি বাড়ায়?
   • ঘন্টা থেকে সেকেন্ড পর্যন্ত (প্রাকৃতির আদেশ)
   • এটা আসলে ধীর
   • প্রায় 5 শতাংশ দ্রুত
   • কোন পরিবর্তন নেই, শুধুমাত্র উন্নত মানের
6. NeRFs এর বাইরে, হ্যাশ-গ্রিড এনকোডিং আর কী উপস্থাপন করতে পারে?
   • শুধুমাত্র প্রিন্ট করা লেখা
   • স্বাক্ষরিত দূরত্ব ফাংশন এবং গিগাপিক্সেল ছবি
   • শুধুমাত্র স্টক চার্ট
   • শুধুমাত্র অডিও তরঙ্গরূপ
7. 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
8. 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