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.
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.
- 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
- 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
- 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
- Jak jsou hodnoty načteny z voxelové mřížky podél paprsku?
- Pouze vyhledávání nejbližšího souseda
- Náhodné vzorkování
- Konvoluční filtr
- Trilineární interpolace
- 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
- 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
- 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
- What does “Plenoxels” expand to?
- Planar neural outputs
- Perceptual linear voxels
- Point-level network samples
- Plenoptic voxels