Cuestionario vinculado a una guía · Medio Nivel
Prueba de síntesis de vista novedosa
Explore campos de radiación, representación de rayos, primitivas gaussianas, supervisión fotométrica, codificación posicional y representaciones eficientes de cuadrícula hash.
Pregunta 1 de 8
Given photos of a scene, what does novel view synthesis try to produce?
Vista previa de cada pregunta8 preguntas
Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.
- Given photos of a scene, what does novel view synthesis try to produce?
- Para comprimir imágenes en archivos más pequeños
- Para traducir títulos de imágenes a otros idiomas
- Para detectar objetos en una sola foto
- Para renderizar una escena desde puntos de vista de la cámara que no fueron capturados originalmente
- ¿A qué asigna un campo de radiación neuronal (NeRF) una posición 3D y una dirección de visualización?
- Una descripción de texto
- Color (luminosidad) y densidad de volumen.
- Un número de serie de la cámara
- Una señal de audio comprimida
- ¿Cómo renderiza NeRF un píxel para una nueva vista?
- Copiando directamente la imagen de entrenamiento más cercana
- Promediando todos los píxeles del conjunto de datos
- Por marcha volumétrica del rayo: muestreo de puntos a lo largo del rayo e integración de color y densidad.
- Al ejecutar el reconocimiento óptico de caracteres
- What distinguishes 3D Gaussian Splatting's scene representation from an original NeRF-style per-ray network evaluation?
- Explicit 3D Gaussian primitives rendered through a differentiable rasterization approach
- A representation containing no scene parameters or image observations
- Only a table of audio phonemes
- A method that copies a single input photo for every viewpoint
- ¿Por qué los métodos NVS pueden reproducir reflejos y reflejos brillantes?
- Ignoran la iluminación por completo.
- Modelan la apariencia dependiente de la vista, por lo que el color puede cambiar con la dirección de la vista.
- Sólo se renderizan en escala de grises.
- Usan coordenadas GPS.
- What representation technique is central to Instant-NGP's acceleration of neural graphics tasks?
- Removing all input observations from training
- Converting the scene into a spreadsheet of filenames
- A guarantee of the same training time for every scene
- A multiresolution hash encoding
- What supplies the photometric training target in original NeRF scene optimization?
- Observed pixel colors in the training images, compared with rendered colors
- A required ground-truth 3D mesh for every scene
- Only the scene's written caption
- Only the final image's file size
- Why did original NeRF use positional encoding on its coordinate inputs?
- To identify the camera's serial number
- To supply surveyed coordinates without measurements
- To help the network represent high-frequency spatial and directional variation
- To eliminate every need for a radiance-field network