Quiz collegato alla guida · Medio Livello
Quiz sulla codifica hash NGP istantanea
Prova come le griglie hash multirisoluzione, le funzionalità trilineari e il piccolo MLP di Instant-NGP accelerano la grafica neurale gestendo la memoria.
Domanda 1 di 8
Qual è il principale collo di bottiglia nei classici NeRF presi di mira da Instant-NGP?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Qual è il principale collo di bottiglia nei classici NeRF presi di mira da Instant-NGP?
- Il grande MLP ha interrogato milioni di volte per scena
- Larghezza di banda della rete per lo streaming
- La frequenza di aggiornamento del display
- Sincronizzazione audio
- Dove Instant-NGP memorizza la maggior parte dei parametri apprendibili?
- In un'unica fitta griglia di voxel
- In una tabella hash multirisoluzione di vettori di caratteristiche
- Negli intrinseci della fotocamera
- Solo all'interno di un MLP molto profondo
- Come vengono combinate le funzionalità tra i diversi livelli di risoluzione?
- Vengono mediati in uno scalare
- Sono ordinati in ordine alfabetico
- Vengono cercati, interpolati trilinearmente, quindi concatenati
- Vengono scartati tranne il livello più fine
- In che modo Instant-NGP gestisce le collisioni di hash nelle sue tabelle a risoluzione fine?
- Impedisce completamente le collisioni con un tavolo enorme
- Si blocca quando si verificano collisioni
- Esegue l'hashing solo dei colori, mai delle posizioni
- Permette che si verifichino collisioni e si affida ai gradienti di addestramento per chiarire le ambiguità
- All'incirca quanto Instant-NGP accelera l'allenamento NeRF?
- Dalle ore fino ai secondi (ordini di grandezza)
- In realtà è più lento
- Circa il 5% più veloce
- Nessun cambiamento, solo migliore qualità
- Oltre a NeRF, cos'altro può rappresentare la codifica hash-grid?
- Solo testo stampato
- Funzioni di distanza con segno e immagini gigapixel
- Solo grafici azionari
- Solo forme d'onda 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