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.
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.
- 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
- 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
- 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
- Hogyan lehet az értékeket lekérni a voxelrácsból egy sugár mentén?
- Csak a legközelebbi szomszéd keresése
- Véletlenszerű mintavétel
- Konvolúciós szűrő
- Trilineáris interpoláció
- 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
- 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
- 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
- What does “Plenoxels” expand to?
- Planar neural outputs
- Perceptual linear voxels
- Point-level network samples
- Plenoptic voxels