Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο
Κουίζ με υπογεγραμμένες αποστάσεις
Εξετάστε τον τρόπο με τον οποίο οι συναρτήσεις υπογεγραμμένης απόστασης κωδικοποιούν επιφάνειες, υποστηρίζουν ελέγχους απόδοσης και σύγκρουσης και ενεργοποιούν την νευρική τρισδιάστατη ανακατασκευή.
Ερώτηση 1 του 8
Τι επιστρέφει μια συνάρτηση υπογεγραμμένης απόστασης για ένα δεδομένο τρισδιάστατο σημείο;
Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις
Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.
- Τι επιστρέφει μια συνάρτηση υπογεγραμμένης απόστασης για ένα δεδομένο τρισδιάστατο σημείο;
- Η απόσταση από την πλησιέστερη επιφάνεια, με ένδειξη για μέσα/έξω
- Το χρώμα της επιφάνειας σε εκείνο το σημείο
- Ο αριθμός των τριγώνων κοντά σε αυτό το σημείο
- Η φωτεινότητα της σκηνής
- Πού βρίσκεται η πραγματική επιφάνεια ενός SDF;
- Όπου η συνάρτηση μεγιστοποιείται
- Στο σύνολο του μηδενικού επιπέδου (η απόσταση ισούται με μηδέν)
- Όπου το πρόσημο είναι πάντα θετικό
- Στο κέντρο του πλαισίου οριοθέτησης
- Where does a true signed distance function satisfy the unit-gradient eikonal condition?
- At every point, including all nonsmooth points
- Only at the zero level set
- At differentiable points, which is almost everywhere for common surfaces
- Only outside the shape
- Πώς χρησιμοποιεί η ανίχνευση σφαίρας την τιμή SDF;
- Βηματίζεται πάντα με ένα μικρό σταθερό ποσό
- Κινείται προς τα πίσω για να αποφύγει την επιφάνεια
- Αγνοεί το SDF και λαμβάνει δείγματα τυχαία
- Προχωρά με την τιμή SDF, την ασφαλή απόσταση μέχρι την πλησιέστερη επιφάνεια
- Τι χρησιμοποιεί το DeepSDF για να αναπαραστήσει ένα συγκεκριμένο σχήμα;
- Ένας συμπαγής λανθάνων κώδικας που τροφοδοτείται σε ένα νευρωνικό δίκτυο
- Ένα πλήρες τρίγωνο πλέγμα αποθηκευμένο στη μνήμη
- Μια ενιαία εικόνα RGB
- Μια λίστα με τις θέσεις της κάμερας
- What is one useful property of an SDF representation compared with a fixed triangle mesh?
- It guarantees exact geometry regardless of training data or sampling
- It is a continuous function that can be queried at chosen resolutions, subject to representation accuracy and compute
- It always uses less memory than every possible mesh
- It eliminates the need to compute surface normals
- How can a signed distance function support robot collision checking?
- It identifies the material composition of each obstacle
- It predicts the robot's battery life from its pose
- It gives a distance to nearby surfaces that can help determine clearance from obstacles
- It converts a robot path into a camera image
- In the NeuS reconstruction method, what representation is learned for a scene surface?
- A fixed list of RGB colors with no geometry
- An unordered set of camera exposure settings
- A text caption for each image without a 3D representation
- The surface is represented as the zero-level set of a neural signed distance function