Kvíz spojený s průvodcem · Střední úroveň

Kvíz Plenoxelů a voxelových zářivých polí

Vyzkoušejte, jak Plenoxels ukládá zářivost do řídkých voxelů, optimalizuje koeficienty bez MLP a reguluje zobrazení.

Související vodicí cestyPlenoxely A Voxelová zářivá pole
Otázka 1 z 8

Jaká je nejpřekvapivější volba designu v Plenoxels ve srovnání s NeRF?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká je nejpřekvapivější volba designu v Plenoxels ve srovnání s NeRF?
    • Nevyužívá vůbec žádnou neuronovou síť
    • Využívá mnohem hlubší neuronovou síť
    • Funguje pouze ve 2D
    • Vyžaduje to skenery LiDAR
  2. Co ukládá každý obsazený voxel v Plenoxels k zachycení barev závislých na zobrazení?
    • Kompletní mapa textur RGB
    • Sférické harmonické koeficienty
    • Samostatná neuronová síť
    • Pouze hodnota hloubky
  3. 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
  4. Jak jsou hodnoty načteny z voxelové mřížky podél paprsku?
    • Pouze vyhledávání nejbližšího souseda
    • Náhodné vzorkování
    • Konvoluční filtr
    • Trilineární interpolace
  5. 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
  6. Jak je uložena voxelová mřížka Plenoxels, aby zůstala efektivní?
    • Jako hustá plně vyplněná kostka
    • Jako řídká mřížka uchovávající pouze obsazené voxely
    • Jako jeden plochý obraz
    • Jako komprimované snímky videa
  7. What regularizer did the Plenoxels paper use to encourage spatial smoothness?
    • Ztráta rozpoznávání řeči
    • A KL penalty between language models
    • A total-variation regularizer on voxel coefficients
    • A bitrate constraint on rendered images
  8. What does “Plenoxels” expand to?
    • Planar neural outputs
    • Perceptual linear voxels
    • Point-level network samples
    • Plenoptic voxels