Mit dem Guide verknüpftes Quiz · Mittel Ebene

Quiz zur Instant-NGP-Hash-Kodierung

Testen Sie, wie die Multiauflösungs-Hash-Gitter, trilinearen Funktionen und das winzige MLP von Instant-NGP die neuronale Grafik beschleunigen und gleichzeitig den Speicher verwalten.

Verwandte FührungspfadeSofortige NGP-Hash-Kodierung
Frage 1 von 8

Was ist der Hauptengpass bei klassischen NeRFs, auf die Instant-NGP abzielt?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was ist der Hauptengpass bei klassischen NeRFs, auf die Instant-NGP abzielt?
    • Der große MLP hat jede Szene millionenfach abgefragt
    • Netzwerkbandbreite für Streaming
    • Die Aktualisierungsrate der Anzeige
    • Audiosynchronisation
  2. Wo speichert Instant-NGP die meisten seiner lernbaren Parameter?
    • In einem einzigen dichten Voxelgitter
    • In einer Hash-Tabelle mit mehreren Auflösungen von Merkmalsvektoren
    • In den Kameraeigenschaften
    • Nur in einem sehr tiefen MLP
  3. Wie werden Funktionen über die verschiedenen Auflösungsstufen hinweg kombiniert?
    • Sie werden zu einem Skalar gemittelt
    • Sie sind alphabetisch sortiert
    • Sie werden nachgeschlagen, trilinear interpoliert und dann verkettet
    • Sie werden außer der höchsten Stufe verworfen
  4. Wie geht Instant-NGP mit Hash-Kollisionen in seinen Tabellen mit feiner Auflösung um?
    • Es verbietet Kollisionen mit einem riesigen Tisch vollständig
    • Bei Kollisionen stürzt es ab
    • Es hasht nur Farben, niemals Positionen
    • Es lässt Kollisionen zu und verlässt sich auf Trainingsgradienten, um eindeutig zu sein
  5. Wie stark beschleunigt Instant-NGP ungefähr das NeRF-Training?
    • Von Stunden bis hin zu Sekunden (Größenordnungen)
    • Es ist tatsächlich langsamer
    • Etwa 5 Prozent schneller
    • Keine Veränderung, nur bessere Qualität
  6. Was kann die Hash-Grid-Kodierung neben NeRFs noch darstellen?
    • Nur gedruckter Text
    • Vorzeichenbehaftete Distanzfunktionen und Gigapixel-Bilder
    • Nur Aktiencharts
    • Nur Audiowellenformen
  7. 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
  8. 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