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.
- Jaké 3D zobrazení DreamFusion optimalizuje?
- NeRF (neurální radiační pole)
- Polygonová síť
- Mračno bodů ze senzoru hloubky
- Voxelová mřížka z dat CT
- Kolik 3D tréninkových dat vyžaduje DreamFusion?
- Několik stovek skenů
- žádný
- Miliony CAD modelů
- Jeden referenční objekt na výzvu
- 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
- 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
- Který 2D model použil původní DreamFusion jako zmrazený předchozí?
- Imagen uživatele Google
- Stabilní difúze 1.5
- DALL-E 2
- Midjourney
- 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
- 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
- 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