Kuiz Pengekodan Hash NGP Segera

Jawapan dan penjelasan muncul semasa anda mengambil kuiz.

1. Apakah kesesakan utama dalam NeRF klasik yang disasarkan Instant-NGP?
   • MLP besar bertanya berjuta-juta kali setiap adegan
   • Jalur lebar rangkaian untuk penstriman
   • Kadar penyegaran paparan
   • Penyegerakan audio
2. Di manakah Instant-NGP menyimpan kebanyakan parameter yang boleh dipelajari?
   • Dalam satu grid voxel padat
   • Dalam jadual cincang berbilang resolusi bagi vektor ciri
   • Dalam intrinsik kamera
   • Hanya di dalam MLP yang sangat dalam
3. Bagaimanakah ciri digabungkan merentas pelbagai tahap resolusi?
   • Mereka dipuratakan menjadi satu skalar
   • Mereka disusun mengikut abjad
   • Mereka dipandang ke atas, diinterpolasi secara trilinear, kemudian digabungkan
   • Mereka dibuang kecuali tahap terbaik
4. Bagaimanakah Instant-NGP mengendalikan perlanggaran cincang dalam jadual peleraian halusnya?
   • Ia melarang perlanggaran sepenuhnya dengan meja besar
   • Ia ranap apabila perlanggaran berlaku
   • Ia hanya mencincang warna, tidak pernah meletakkan kedudukan
   • Ia membenarkan perlanggaran berlaku dan bergantung pada kecerunan latihan untuk menyahkekaburan
5. Secara kasar berapa banyak Instant-NGP mempercepatkan latihan NeRF?
   • Dari jam turun ke saat (urutan magnitud)
   • Ia sebenarnya lebih perlahan
   • Kira-kira 5 peratus lebih cepat
   • Tiada perubahan, hanya kualiti yang lebih baik
6. Di luar NeRF, apakah lagi yang boleh diwakili oleh pengekodan grid cincang?
   • Hanya teks bercetak
   • Fungsi jarak yang ditandatangani dan imej gigapiksel
   • Hanya carta saham
   • Hanya bentuk gelombang audio
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