Kvíz spojený s průvodcem · Střední úroveň

Kvíz generování textu na 3D

Testujte destilaci DreamFusion, optimalizaci NeRF, artefakty Janus, dopředné modely, konzistenci více pohledů a limity 3D.

Související vodicí cestyText do 3D generování
Otázka 1 z 8

Jaká byla klíčová inovace DreamFusion (2022)?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaká byla klíčová inovace DreamFusion (2022)?
    • Použil Score Destillation Sampling k vytvoření 3D z 2D difúzního modelu bez 3D tréninkových dat.
    • Byla první, která skenovala skutečné objekty pomocí LiDAR
    • Trénovalo se přímo na masivním označeném datovém souboru 3D sítě
    • Okamžitě vygeneroval 3D modely pomocí jediného průchodu dopředu
  2. Co je to „Janusův problém“ v převodu textu do 3D?
    • Modely se vykreslují příliš pomalu na to, aby byly užitečné
    • Vygenerované objekty zobrazují více ploch nebo čel z různých úhlů
    • Textury vypadají vymyté a šedé
    • Formát 3D souboru není kompatibilní s herními motory
  3. Který pár byl prvními modely OpenAI pro předávání textu do 3D?
    • DALL-E a CLIP
    • Stabilní difúze a Midjourney
    • Bod-E a Shap-E
    • DreamFusion a Magic3D
  4. Proč byly počáteční metody založené na optimalizaci jako DreamFusion pomalé?
    • Pokaždé si museli stáhnout modely z cloudu
    • Standardně se vykreslovaly v rozlišení 8K
    • Vyžadovali ruční vyřezávání mezi kroky
    • Optimalizovali samostatnou 3D reprezentaci na objekt během mnoha iterací vykreslování
  5. Který výstupní formát NENÍ typickou 3D reprezentací produkovanou těmito systémy?
    • Zvuková křivka MP3
    • Polygonová síť
    • Radiační pole (NeRF)
    • Mračno bodů
  6. Co označuje „konzistence více pohledů“ jako výzvu?
    • Zajištění konzistentní velikosti souboru napříč exporty
    • Zajištění, že objekt vypadá koherentně a správně z každého úhlu kamery
    • Udržení textové výzvy pod limitem slov
    • Přizpůsobení palety barev průvodci značkou
  7. What representation does Shap-E directly generate?
    • Only a fixed-resolution RGB image
    • A text transcript with speaker labels
    • Parameters of implicit functions that can render as textured meshes or neural radiance fields
    • A single unstructured audio waveform
  8. How does the Point-E paper’s two-stage system produce a 3D point cloud?
    • A 3D artist manually models every prompt
    • A NeRF is optimized from scratch using hundreds of camera views
    • A classifier predicts a file extension without generating geometry
    • A text-to-image model first generates a synthetic view, then an image-conditioned diffusion model produces a point cloud