DreamFusion i wynik quizu dotyczącego próbkowania destylacyjnego

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Jaką reprezentację 3D optymalizuje DreamFusion?
   • NeRF (pole promieniowania neuronowego)
   • Siatka wielokątna
   • Chmura punktów z czujnika głębokości
   • Siatka wokseli z danych CT
2. Ile danych szkoleniowych 3D wymaga DreamFusion?
   • Kilkaset skanów
   • Żadne
   • Miliony modeli CAD
   • Jeden obiekt referencyjny na monit
3. What is the computational shortcut in Score Distillation Sampling?
   • It trains a new diffusion model every step
   • W ogóle nie używa gradientów
   • It uses a stop-gradient score signal instead of backpropagating through the diffusion model’s full Jacobian
   • Renderuje tylko jeden stały punkt widzenia
4. Why did DreamFusion use high classifier-free guidance in its experiments?
   • Aby zmniejszyć pamięć GPU
   • Aby wydrukować w skali szarości
   • To guarantee accurate geometry
   • To counter the oversmoothing tendency of SDS and encourage sharper prompt-conditioned results
5. Którego modelu 2D użył oryginalny DreamFusion jako wcześniej zamrożony?
   • Zdjęcie Google
   • Stabilna dyfuzja 1.5
   • DALL-E 2
   • Midjourney
6. What artifact can arise when a 2D image prior guides a 3D scene across views?
   • A guaranteed watertight mesh
   • Duplicated faces or features on different sides of the object
   • A single grayscale output
   • A 3D object with no rendered views
7. Why does DreamFusion render the NeRF from sampled camera angles during optimization?
   • To avoid using the NeRF representation
   • To replace the text prompt with camera metadata
   • To let the 2D prior provide guidance from multiple views of the 3D scene
   • To create an audio soundtrack
8. What does an optimized NeRF allow a user to do with the generated scene?
   • Recover the original 3D training scan
   • Guarantee physically correct materials
   • Generate only the original training image
   • Render it from new viewpoints and relight it