Prueba de generación de texto a 3D

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

1. ¿Cuál fue la innovación clave de DreamFusion (2022)?
   • Utilizó Score Distillation Sampling para crear 3D a partir de un modelo de difusión 2D sin datos de entrenamiento 3D.
   • Fue el primero en escanear objetos reales con LiDAR.
   • Se entrenó directamente en un enorme conjunto de datos de malla 3D etiquetados.
   • Generaba modelos 3D instantáneamente con un solo pase hacia adelante.
2. ¿Qué es el 'problema de Janus' en la conversión de texto a 3D?
   • Los modelos se renderizan demasiado lento para ser útiles.
   • Los objetos generados muestran múltiples caras o frentes desde diferentes ángulos.
   • Las texturas aparecen descoloridas y grises.
   • El formato de archivo 3D es incompatible con los motores de juegos.
3. ¿Qué par eran los primeros modelos de avance de texto a 3D de OpenAI?
   • DALL-E y CLIP
   • Difusión estable y Midjourney
   • Punto-E y Forma-E
   • DreamFusion y Magic3D
4. ¿Por qué los primeros métodos basados en optimización como DreamFusion eran lentos?
   • Tenían que descargar modelos de la nube cada vez.
   • Se renderizaron en resolución 8K de forma predeterminada.
   • Requerían escultura manual entre pasos.
   • Optimizaron una representación 3D separada por objeto durante muchas iteraciones de renderizado.
5. ¿Qué formato de salida NO es una representación 3D típica producida por estos sistemas?
   • Forma de onda de audio MP3
   • Malla poligonal
   • Campo de radiación (NeRF)
   • Nube de puntos
6. ¿A qué se refiere la "coherencia multivista" como desafío?
   • Hacer que el tamaño del archivo sea consistente en todas las exportaciones
   • Garantizar que el objeto se vea coherente y correcto desde todos los ángulos de la cámara.
   • Mantener el mensaje de texto por debajo de un límite de palabras
   • Combinar la paleta de colores con una guía de marca
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