Útmutatóhoz kapcsolódó kvíz · Közepes Szint

Plenoxelek és Voxel Radiance Fields kvíz

Test how Plenoxels stores radiance in sparse voxels, optimizes coefficients without an MLP, and regularizes the representation.

Kapcsolódó útmutató utakPlenoxelek és Voxel-sugárzási mezők
kérdés 1 -ból 8

Mi a legmeglepőbb tervezési választás a Plenoxelsben a NeRF-hez képest?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mi a legmeglepőbb tervezési választás a Plenoxelsben a NeRF-hez képest?
    • Egyáltalán nem használ neurális hálózatot
    • Sokkal mélyebb neurális hálózatot használ
    • Csak 2D-ben működik
    • LiDAR szkennereket igényel
  2. Mit tárolnak az egyes foglalt voxelek a Plenoxelsben a nézetfüggő színek rögzítéséhez?
    • Teljes RGB textúra térkép
    • Szférikus harmonikus együtthatók
    • Külön neurális hálózat
    • Csak mélységi érték
  3. What optimization-time comparison did the Plenoxels paper report on its evaluated benchmarks?
    • Exactly the same optimization time on every scene
    • About two orders of magnitude slower in all cases
    • About two orders of magnitude faster than NeRF in the reported settings
    • No measurable difference under any setup
  4. Hogyan lehet az értékeket lekérni a voxelrácsból egy sugár mentén?
    • Csak a legközelebbi szomszéd keresése
    • Véletlenszerű mintavétel
    • Konvolúciós szűrő
    • Trilineáris interpoláció
  5. What conclusion is supported by Plenoxels’ benchmark results?
    • An explicit sparse grid can achieve NeRF-comparable results on the evaluated tasks without an MLP
    • Neural networks are never useful for 3D vision
    • Voxels always outperform every neural representation
    • Volume rendering requires no optimization
  6. A hatékony megőrzés érdekében hogyan tárolják a Plenoxels voxelrácsot?
    • Sűrű, teljesen megtöltött kockaként
    • Ritka rácsként, amely csak a foglalt voxeleket tartja
    • Egyetlen lapos képként
    • Tömörített videokockákként
  7. What regularizer did the Plenoxels paper use to encourage spatial smoothness?
    • A beszédfelismerés elvesztése
    • A KL penalty between language models
    • A total-variation regularizer on voxel coefficients
    • A bitrate constraint on rendered images
  8. What does “Plenoxels” expand to?
    • Planar neural outputs
    • Perceptual linear voxels
    • Point-level network samples
    • Plenoptic voxels