Kvíz spojený s průvodcem · Střední úroveň
Instant-NGP kvíz s hash kódováním
Vyzkoušejte, jak vícerozlišovací hashovací mřížky Instant-NGP, trilineární funkce a malé MLP zrychlují neuronovou grafiku při správě paměti.
Otázka 1 z 8
Co je hlavním úzkým hrdlem klasických NeRF, na které se Instant-NGP zaměřuje?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co je hlavním úzkým hrdlem klasických NeRF, na které se Instant-NGP zaměřuje?
- Velká MLP se dotazovala milionkrát na scénu
- Šířka pásma sítě pro streamování
- Obnovovací frekvence displeje
- Synchronizace zvuku
- Kde Instant-NGP ukládá většinu svých naučitelných parametrů?
- V jediné husté voxelové mřížce
- Ve vícerozlišovací hashovací tabulce příznakových vektorů
- V nitru kamery
- Pouze uvnitř velmi hluboké MLP
- Jak se kombinují funkce napříč různými úrovněmi rozlišení?
- Jsou zprůměrovány do jednoho skaláru
- Jsou seřazeny podle abecedy
- Jsou vyhledány, trilineárně interpolovány a poté zřetězeny
- Jsou vyřazeny kromě nejjemnější úrovně
- Jak Instant-NGP zpracovává hašovací kolize ve svých tabulkách s jemným rozlišením?
- Úplně zakazuje kolize s obrovským stolem
- Při kolizi se zhroutí
- Hašuje pouze barvy, nikdy pozice
- Umožňuje kolizím a spoléhá se na trénovací gradienty, aby se vyjasnily
- Jak zhruba Instant-NGP urychlí trénink NeRF?
- Od hodin až po sekundy (řádově)
- Ve skutečnosti je pomalejší
- Asi o 5 procent rychleji
- Žádná změna, jen lepší kvalita
- Co jiného kromě NeRF může představovat kódování hash-grid?
- Pouze tištěný text
- Funkce podepsané vzdálenosti a gigapixelové obrázky
- Pouze akciové grafy
- Pouze zvukové křivky
- 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
- 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