Gids-gekoppelde quiz · Middelmatig Niveau
Instant-NGP hashcoderingsquiz
Test hoe Instant-NGP's hash-rasters met meerdere resoluties, trilineaire functies en kleine MLP de neurale graphics versnellen en tegelijkertijd het geheugen beheren.
Vraag 1 van 8
Wat is het belangrijkste knelpunt in klassieke NeRF's waarop Instant-NGP zich richt?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het belangrijkste knelpunt in klassieke NeRF's waarop Instant-NGP zich richt?
- De grote MLP bevroeg miljoenen keren per scène
- Netwerkbandbreedte voor streaming
- De vernieuwingsfrequentie van het beeldscherm
- Audiosynchronisatie
- Waar slaat Instant-NGP de meeste leerbare parameters op?
- In één dicht voxelraster
- In een hashtabel met meerdere resoluties van kenmerkvectoren
- In de intrinsieke camera
- Alleen binnen een zeer diepe MLP
- Hoe worden functies gecombineerd over de meerdere resolutieniveaus?
- Ze worden gemiddeld in één scalair
- Ze zijn alfabetisch gesorteerd
- Ze worden opgezocht, trilineair geïnterpoleerd en vervolgens aaneengeschakeld
- Ze worden weggegooid, behalve het hoogste niveau
- Hoe gaat Instant-NGP om met hash-botsingen in de tabellen met fijne resolutie?
- Het verbiedt botsingen volledig met een enorme tafel
- Het crasht wanneer er botsingen plaatsvinden
- Het hasheert alleen kleuren, nooit posities
- Het laat botsingen gebeuren en vertrouwt op trainingsgradiënten om ondubbelzinnig te maken
- Hoeveel versnelt Instant-NGP ongeveer de NeRF-training?
- Van uren tot seconden (ordes van grootte)
- Het is eigenlijk langzamer
- Ongeveer 5 procent sneller
- Geen verandering, alleen betere kwaliteit
- Wat kan hash-grid-codering, afgezien van NeRF's, nog meer vertegenwoordigen?
- Alleen gedrukte tekst
- Ondertekende afstandsfuncties en gigapixelafbeeldingen
- Alleen aandelengrafieken
- Alleen audiogolfvormen
- 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