Quiz połączony z przewodnikiem · Średni Poziom

Quiz o polach promieniowania plenokseli i wokseli

Przetestuj, jak Plenoxels przechowuje radiancję w rzadkich wokselach, optymalizuje współczynniki bez użycia MLP i regularyzuje reprezentację.

Powiązane ścieżki prowadzącePlenoxele i pola promieniowania wokseli
Pytanie 1 z 8

Jaki jest najbardziej zaskakujący wybór projektu Plenoxels w porównaniu z NeRF?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. Jaki jest najbardziej zaskakujący wybór projektu Plenoxels w porównaniu z NeRF?
    • W ogóle nie korzysta z sieci neuronowej
    • Wykorzystuje znacznie głębszą sieć neuronową
    • Działa tylko w 2D
    • Wymaga skanerów LiDAR
  2. Co przechowuje każdy zajęty woksel w Plenoxels, aby uchwycić kolor zależny od widoku?
    • Pełna mapa tekstur RGB
    • Sferyczne współczynniki harmoniczne
    • Oddzielna sieć neuronowa
    • Tylko wartość głębokości
  3. What optimization-time comparison did the Plenoxels paper report on its evaluated benchmarks?
    • Exactly the same optimization time on every scene
    • About two orders of magnitude slower in all cases
    • About two orders of magnitude faster than NeRF in the reported settings
    • No measurable difference under any setup
  4. W jaki sposób wartości są pobierane z siatki wokseli wzdłuż promienia?
    • Tylko wyszukiwanie najbliższego sąsiada
    • Losowe pobieranie próbek
    • Filtr splotowy
    • Interpolacja trójliniowa
  5. What conclusion is supported by Plenoxels’ benchmark results?
    • An explicit sparse grid can achieve NeRF-comparable results on the evaluated tasks without an MLP
    • Neural networks are never useful for 3D vision
    • Voxels always outperform every neural representation
    • Volume rendering requires no optimization
  6. W jaki sposób przechowywana jest siatka wokseli Plenoxels, aby zachować wydajność?
    • Jako gęsta, całkowicie wypełniona kostka
    • Jako rzadka siatka zawierająca tylko zajęte woksele
    • Jako pojedynczy płaski obraz
    • Jako skompresowane klatki wideo
  7. What regularizer did the Plenoxels paper use to encourage spatial smoothness?
    • Utrata rozpoznawania mowy
    • A KL penalty between language models
    • A total-variation regularizer on voxel coefficients
    • A bitrate constraint on rendered images
  8. What does “Plenoxels” expand to?
    • Planar neural outputs
    • Perceptual linear voxels
    • Point-level network samples
    • Plenoptic voxels