ガイド連動クイズ · 中 レベル

インスタント NGP ハッシュ エンコーディング クイズ

Instant-NGP の多重解像度ハッシュ グリッド、トリリニア機能、および小さな MLP がメモリを管理しながらニューラル グラフィックスをどのように高速化するかをテストします。

関連するガイドパスインスタント NGP ハッシュ エンコーディング
質問 1 の 8

Instant-NGP がターゲットとする従来の NeRF の主なボトルネックは何ですか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. Instant-NGP がターゲットとする従来の NeRF の主なボトルネックは何ですか?
    • 大規模な MLP はシーンごとに何百万回もクエリされる
    • ストリーミング用のネットワーク帯域幅
    • ディスプレイのリフレッシュレート
    • オーディオの同期
  2. Instant-NGP は学習可能なパラメーターのほとんどをどこに保存しますか?
    • 単一の高密度ボクセル グリッド内
    • 特徴ベクトルの多重解像度ハッシュ テーブル内
    • カメラの組み込み機能
    • 非常に深い MLP 内のみ
  3. 複数の解像度レベルにわたって機能はどのように組み合わされるのでしょうか?
    • それらは 1 つのスカラーに平均化されます
    • アルファベット順にソートされています
    • それらは検索され、三線形補間されてから連結されます。
    • 最高級レベル以外は廃棄される
  4. Instant-NGP は高解像度テーブルでのハッシュ衝突をどのように処理しますか?
    • 巨大なテーブルとの衝突を完全に禁止します
    • 衝突するとクラッシュする
    • 色だけをハッシュし、位置はハッシュしません
    • 衝突を発生させ、曖昧さを解消するためにトレーニング勾配に依存します。
  5. Instant-NGP は NeRF トレーニングをおよそどれくらい高速化しますか?
    • 数時間から数秒（桁違い）まで
    • 実際にはもっと遅いです
    • 約5%高速化
    • 変更はなく、品質が向上しただけです
  6. NeRF 以外に、ハッシュ グリッド エンコーディングは何を表現できるのでしょうか?
    • 印刷されたテキストのみ
    • 符号付き距離関数とギガピクセル画像
    • 株価チャートのみ
    • 音声波形のみ
  7. 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
  8. 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