Cuestionario vinculado a una guía · Medio Nivel
Prueba de codificación hash instantánea NGP
Pruebe cómo las cuadrículas hash de resolución múltiple, las funciones trilineales y el pequeño MLP de Instant-NGP aceleran los gráficos neuronales mientras administran la memoria.
Pregunta 1 de 8
¿Cuál es el principal cuello de botella en los NeRF clásicos a los que apunta Instant-NGP?
Vista previa de cada pregunta8 preguntas
Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.
- ¿Cuál es el principal cuello de botella en los NeRF clásicos a los que apunta Instant-NGP?
- El gran MLP consultado millones de veces por escena.
- Ancho de banda de red para streaming
- La frecuencia de actualización de la pantalla
- Sincronización de audio
- ¿Dónde almacena Instant-NGP la mayoría de los parámetros que se pueden aprender?
- En una única cuadrícula de voxel densa
- En una tabla hash multiresolución de vectores de características
- En lo intrínseco de la cámara
- Sólo dentro de un MLP muy profundo.
- ¿Cómo se combinan las funciones en los múltiples niveles de resolución?
- Se promedian en un escalar.
- Están ordenados alfabéticamente
- Se buscan, se interpolan trilinealmente y luego se concatenan
- Se descartan excepto el nivel más fino.
- ¿Cómo maneja Instant-NGP las colisiones hash en sus tablas de resolución fina?
- Prohíbe por completo las colisiones con una mesa enorme.
- Se estrella cuando ocurren colisiones.
- Solo aplica hash de colores, nunca de posiciones.
- Permite que ocurran colisiones y se basa en gradientes de entrenamiento para eliminar la ambigüedad.
- ¿Aproximadamente cuánto acelera Instant-NGP el entrenamiento NeRF?
- Desde horas hasta segundos (órdenes de magnitud)
- en realidad es mas lento
- Aproximadamente un 5 por ciento más rápido
- Sin cambios, solo mejor calidad.
- Más allá de los NeRF, ¿qué más puede representar la codificación hash-grid?
- Sólo texto impreso
- Funciones de distancia firmadas e imágenes de gigapíxeles.
- Sólo gráficos de acciones
- Sólo formas de onda de audio
- 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
- 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