Quiz collegato alla guida · Medio Livello

Quiz sulla generazione di testo in 3D

Prova la distillazione DreamFusion, l'ottimizzazione NeRF, gli artefatti Janus, i modelli feed-forward, la coerenza multi-vista e i limiti 3D.

Percorsi guida correlatiTesto alla generazione 3D
Domanda 1 di 8

Qual è stata l’innovazione chiave di DreamFusion (2022)?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. Qual è stata l’innovazione chiave di DreamFusion (2022)?
    • Ha utilizzato il campionamento della distillazione del punteggio per creare 3D da un modello di diffusione 2D senza dati di addestramento 3D
    • È stato il primo a scansionare oggetti reali con LiDAR
    • Si è addestrato direttamente su un enorme set di dati mesh 3D etichettato
    • Ha generato modelli 3D istantaneamente utilizzando un singolo passaggio in avanti
  2. Qual è il "problema di Janus" nella conversione da testo a 3D?
    • Il rendering dei modelli è troppo lento per essere utile
    • Gli oggetti generati mostrano più facce o fronti da diverse angolazioni
    • Le texture appaiono sbiadite e grigie
    • Il formato file 3D non è compatibile con i motori di gioco
  3. Quali coppie erano i primi modelli feed-forward da testo a 3D di OpenAI?
    • DALL-E e CLIP
    • Diffusione stabile e Midjourney
    • Punto E e Forma E
    • DreamFusion e Magic3D
  4. Perché i primi metodi basati sull'ottimizzazione come DreamFusion erano lenti?
    • Ogni volta dovevano scaricare i modelli dal cloud
    • Per impostazione predefinita, sono stati renderizzati con una risoluzione 8K
    • Richiedevano la scultura manuale tra i passaggi
    • Hanno ottimizzato una rappresentazione 3D separata per oggetto su molte iterazioni di rendering
  5. Quale formato di output NON è una tipica rappresentazione 3D prodotta da questi sistemi?
    • Forma d'onda audio MP3
    • Maglia poligonale
    • Campo di radianza (NeRF)
    • Nuvola di punti
  6. Che cosa si intende per sfida con la "coerenza multi-visualizzazione"?
    • Rendere la dimensione del file coerente tra le esportazioni
    • Garantire che l'oggetto appaia coerente e corretto da ogni angolazione della telecamera
    • Mantenere il messaggio di testo entro un limite di parole
    • Abbinare la tavolozza dei colori a una guida del marchio
  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