Kvíz spojený s průvodcem · Těžko úroveň

DreamFusion a test destilace skóre

Pochopte optimalizaci NeRF DreamFusion, 2D difúzi před, Score Destillation Sampling a proces vykreslování z více pohledů.

Otázka 1 z 8

Jaké 3D zobrazení DreamFusion optimalizuje?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaké 3D zobrazení DreamFusion optimalizuje?
    • NeRF (neurální radiační pole)
    • Polygonová síť
    • Mračno bodů ze senzoru hloubky
    • Voxelová mřížka z dat CT
  2. Kolik 3D tréninkových dat vyžaduje DreamFusion?
    • Několik stovek skenů
    • žádný
    • Miliony CAD modelů
    • Jeden referenční objekt na výzvu
  3. Jaký je výpočetní zkratka v Score Distillation Sampling?
    • It trains a new diffusion model every step
    • Nepoužívá vůbec žádné přechody
    • It uses a stop-gradient score signal instead of backpropagating through the diffusion model’s full Jacobian
    • Vykresluje pouze jeden pevný úhel pohledu
  4. Proč DreamFusion používal vysoké classifier-free vedení ve svých experimentech?
    • Chcete-li snížit paměť GPU
    • Chcete-li výstupy ve stupních šedi
    • To guarantee accurate geometry
    • To counter the oversmoothing tendency of SDS and encourage sharper prompt-conditioned results
  5. Který 2D model použil původní DreamFusion jako zmrazený předchozí?
    • Imagen uživatele Google
    • Stabilní difúze 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