Quiz połączony z przewodnikiem · Średni Poziom
Quiz dotyczący kodowania skrótu Instant-NGP
Przetestuj, jak wielorozdzielcze siatki mieszające Instant-NGP, funkcje trójliniowe i małe MLP przyspieszają grafikę neuronową podczas zarządzania pamięcią.
Pytanie 1 z 8
Jakie jest główne wąskie gardło w klasycznych NeRF, których celem jest Instant-NGP?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Jakie jest główne wąskie gardło w klasycznych NeRF, których celem jest Instant-NGP?
- Duży MLP pytał miliony razy na scenę
- Przepustowość sieci do przesyłania strumieniowego
- Częstotliwość odświeżania wyświetlacza
- Synchronizacja dźwięku
- Gdzie Instant-NGP przechowuje większość swoich parametrów, których można się nauczyć?
- W pojedynczej gęstej siatce wokseli
- W wielorozdzielczej tabeli mieszającej wektorów cech
- We wnętrzu aparatu
- Tylko w bardzo głębokim MLP
- W jaki sposób funkcje są łączone na wielu poziomach rozdzielczości?
- Są one uśredniane do jednego skalara
- Są one posortowane alfabetycznie
- Są one sprawdzane, interpolowane trójliniowo, a następnie łączone
- Są odrzucane, z wyjątkiem najwyższego poziomu
- W jaki sposób Instant-NGP radzi sobie z kolizjami skrótów w tabelach o wysokiej rozdzielczości?
- Zabrania całkowicie kolizji z ogromnym stołem
- Awaria następuje w przypadku kolizji
- Miesza tylko kolory, nigdy pozycje
- Umożliwia wystąpienie kolizji i ujednoznacznienie opiera się na gradientach szkoleniowych
- W przybliżeniu, w jakim stopniu Instant-NGP przyspiesza trening NeRF?
- Od godzin do sekund (rzędy wielkości)
- Faktycznie jest wolniej
- Około 5 procent szybciej
- Żadnych zmian, tylko lepsza jakość
- Co jeszcze poza NeRF może reprezentować kodowanie w formie siatki mieszającej?
- Tylko drukowany tekst
- Podpisane funkcje odległości i obrazy gigapikselowe
- Tylko wykresy giełdowe
- Tylko przebiegi audio
- 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