Questionário vinculado ao guia · Médio Nível

Questionário de codificação de hash NGP instantâneo

Teste como as grades hash multiresolução, os recursos trilineares e o pequeno MLP do Instant-NGP aceleram os gráficos neurais enquanto gerenciam a memória.

Caminhos de guia relacionadosCodificação instantânea de hash Ngp
Pergunta 1 de 8

Qual é o principal gargalo nos NeRFs clássicos que o Instant-NGP visa?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Qual é o principal gargalo nos NeRFs clássicos que o Instant-NGP visa?
    • O grande MLP consultou milhões de vezes por cena
    • Largura de banda de rede para streaming
    • A taxa de atualização da tela
    • Sincronização de áudio
  2. Onde o Instant-NGP armazena a maioria de seus parâmetros que podem ser aprendidos?
    • Em uma única grade voxel densa
    • Em uma tabela hash multiresolução de vetores de recursos
    • Na intrínseca da câmera
    • Somente dentro de um MLP muito profundo
  3. Como os recursos são combinados nos vários níveis de resolução?
    • Eles são calculados em média em um escalar
    • Eles são classificados em ordem alfabética
    • Eles são pesquisados, interpolados trilinearmente e depois concatenados
    • Eles são descartados, exceto o nível mais fino
  4. Como o Instant-NGP lida com colisões de hash em suas tabelas de resolução fina?
    • Proíbe totalmente colisões com uma mesa enorme
    • Ele trava quando ocorrem colisões
    • Ele faz hash apenas de cores, nunca de posições
    • Ele permite que colisões aconteçam e depende de gradientes de treinamento para eliminar a ambiguidade
  5. Aproximadamente quanto o Instant-NGP acelera o treinamento NeRF?
    • De horas a segundos (ordens de magnitude)
    • Na verdade é mais lento
    • Cerca de 5 por cento mais rápido
    • Nenhuma mudança, apenas melhor qualidade
  6. Além dos NeRFs, o que mais a codificação da grade hash pode representar?
    • Apenas texto impresso
    • Funções de distância sinalizada e imagens gigapixel
    • Somente gráficos de ações
    • Apenas formas de onda de áudio
  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