গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর
প্লেনোক্সেল এবং ভক্সেল রেডিয়েন্স ফিল্ড ক্যুইজ
পরীক্ষা করুন কিভাবে Plenoxels স্পার্স ভক্সেলগুলিতে উজ্জ্বলতা সঞ্চয় করে, একটি MLP ছাড়া সহগকে অপ্টিমাইজ করে এবং উপস্থাপনাকে নিয়মিত করে।
প্রশ্ন 1 এর 8
এনআরএফের তুলনায় প্লেনোক্সেলে সবচেয়ে আশ্চর্যজনক নকশা পছন্দ কী?
প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন
আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।
- এনআরএফের তুলনায় প্লেনোক্সেলে সবচেয়ে আশ্চর্যজনক নকশা পছন্দ কী?
- এটি কোন নিউরাল নেটওয়ার্ক ব্যবহার করে না
- এটি অনেক গভীর নিউরাল নেটওয়ার্ক ব্যবহার করে
- এটি শুধুমাত্র 2D তে কাজ করে
- এটি LiDAR স্ক্যানার প্রয়োজন
- প্লেনোক্সেলের প্রতিটি দখলকৃত ভক্সেল ভিউ-নির্ভর রঙ ক্যাপচার করতে কী সঞ্চয় করে?
- একটি সম্পূর্ণ RGB টেক্সচার মানচিত্র
- গোলাকার হারমোনিক সহগ
- একটি পৃথক নিউরাল নেটওয়ার্ক
- শুধুমাত্র একটি গভীরতা মান
- 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
- কিভাবে একটি রশ্মি বরাবর ভক্সেল গ্রিড থেকে মান আনা হয়?
- শুধুমাত্র নিকটতম-প্রতিবেশীর সন্ধান
- এলোমেলো নমুনা
- একটি পরিবর্তনশীল ফিল্টার
- ট্রিলিনিয়ার ইন্টারপোলেশন
- 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
- দক্ষ থাকার জন্য, প্লেনোক্সেল ভক্সেল গ্রিড কীভাবে সংরক্ষণ করা হয়?
- একটি ঘন সম্পূর্ণরূপে ভরা কিউব হিসাবে
- একটি স্পার্স গ্রিড হিসাবে শুধুমাত্র দখল ভক্সেল রাখা
- একটি একক ফ্ল্যাট ইমেজ হিসাবে
- সংকুচিত ভিডিও ফ্রেম হিসাবে
- What regularizer did the Plenoxels paper use to encourage spatial smoothness?
- একটি বক্তৃতা-স্বীকৃতি ক্ষতি
- A KL penalty between language models
- A total-variation regularizer on voxel coefficients
- A bitrate constraint on rendered images
- What does “Plenoxels” expand to?
- Planar neural outputs
- Perceptual linear voxels
- Point-level network samples
- Plenoptic voxels