Instant-NGP 해시 인코딩 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. Instant-NGP가 목표로 하는 클래식 NeRF의 주요 병목 현상은 무엇입니까?
   • 대규모 MLP는 장면당 수백만 번 쿼리했습니다.
   • 스트리밍을 위한 네트워크 대역폭
   • 디스플레이 새로 고침 빈도
   • 오디오 동기화
2. Instant-NGP는 대부분의 학습 가능한 매개변수를 어디에 저장합니까?
   • 단일 조밀한 복셀 그리드에서
   • 특징 벡터의 다중 해상도 해시 테이블에서
   • 카메라 내장 기능에서
   • 매우 깊은 MLP 내부에서만 가능
3. 여러 해상도 수준에서 기능이 어떻게 결합됩니까?
   • 그들은 하나의 스칼라로 평균화됩니다.
   • 알파벳순으로 정렬되어 있습니다.
   • 검색되고 삼선형 보간된 다음 연결됩니다.
   • 최상위 레벨을 제외한 나머지는 폐기됩니다.
4. Instant-NGP는 미세 해상도 테이블에서 해시 충돌을 어떻게 처리합니까?
   • 거대한 테이블과의 충돌을 완전히 금지합니다.
   • 충돌이 발생하면 충돌이 발생합니다.
   • 색상만 해시하고 위치는 해시하지 않습니다.
   • 충돌이 발생하도록 허용하고 훈련 경사에 의존하여 명확하게 합니다.
5. Instant-NGP는 NeRF 훈련 속도를 대략 얼마나 향상시킵니까?
   • 몇 시간에서 몇 초까지(크기 순서)
   • 실제로는 더 느립니다
   • 약 5% 더 빨라짐
   • 변화 없음, 단지 더 나은 품질
6. NeRF 외에도 해시 그리드 인코딩은 무엇을 나타낼 수 있습니까?
   • 인쇄된 텍스트만
   • 부호 있는 거리 함수 및 기가픽셀 이미지
   • 주식 차트만
   • 오디오 파형만
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