Questionário de geração de texto para 3D

As respostas e explicações aparecem conforme você responde ao teste.

1. Qual foi a principal inovação do DreamFusion (2022)?
   • Ele usou Score Distillation Sampling para criar 3D a partir de um modelo de difusão 2D sem dados de treinamento 3D
   • Foi o primeiro a digitalizar objetos reais com LiDAR
   • Ele treinou diretamente em um enorme conjunto de dados de malha 3D rotulado
   • Ele gerou modelos 3D instantaneamente usando uma única passagem para frente
2. Qual é o 'problema de Janus' na conversão de texto em 3D?
   • Os modelos são renderizados muito lentamente para serem úteis
   • Os objetos gerados mostram múltiplas faces ou frentes de diferentes ângulos
   • As texturas parecem desbotadas e cinza
   • O formato de arquivo 3D é incompatível com motores de jogo
3. Qual par foram os primeiros modelos feedforward de texto para 3D de OpenAI?
   • DALL-E e CLIP
   • Difusão estável e Midjourney
   • Ponto-E e Forma-E
   • DreamFusion e Magic3D
4. Por que os primeiros métodos baseados em otimização, como o DreamFusion, eram lentos?
   • Eles tiveram que baixar modelos da nuvem todas as vezes
   • Eles renderizaram em resolução de 8K por padrão
   • Eles exigiam escultura manual entre as etapas
   • Eles otimizaram uma representação 3D separada por objeto em muitas iterações de renderização
5. Qual formato de saída NÃO é uma representação 3D típica produzida por esses sistemas?
   • Forma de onda de áudio MP3
   • Malha poligonal
   • Campo de radiação (NeRF)
   • Nuvem de pontos
6. O que a “consistência multivisão” chama de desafio?
   • Tornando o tamanho do arquivo consistente nas exportações
   • Garantir que o objeto pareça coerente e correto de todos os ângulos da câmera
   • Manter o prompt de texto abaixo de um limite de palavras
   • Combinando a paleta de cores com um guia da marca
7. What representation does Shap-E directly generate?
   • Only a fixed-resolution RGB image
   • A text transcript with speaker labels
   • Parameters of implicit functions that can render as textured meshes or neural radiance fields
   • A single unstructured audio waveform
8. How does the Point-E paper’s two-stage system produce a 3D point cloud?
   • A 3D artist manually models every prompt
   • A NeRF is optimized from scratch using hundreds of camera views
   • A classifier predicts a file extension without generating geometry
   • A text-to-image model first generates a synthetic view, then an image-conditioned diffusion model produces a point cloud