Test legat de ghid · Mediu Nivel
Instant-NGP Hash Encoding Quiz
Testați modul în care grilele hash multirezoluție ale Instant-NGP, funcțiile triliniare și MLP-ul minuscul accelerează grafica neuronală în timp ce gestionați memoria.
Întrebare 1 de 8
Care este principalul blocaj în NeRF-urile clasice pe care Instant-NGP îl vizează?
Previzualizează fiecare întrebare8 întrebări
Răspunsurile și explicațiile apar pe măsură ce susțineți testul.
- Care este principalul blocaj în NeRF-urile clasice pe care Instant-NGP îl vizează?
- MLP-ul mare a interogat de milioane de ori pe scenă
- Lățimea de bandă a rețelei pentru streaming
- Rata de reîmprospătare a afișajului
- Sincronizare audio
- Unde stochează Instant-NGP majoritatea parametrilor săi învățați?
- Într-o singură grilă de voxeli dens
- Într-un tabel hash multirezoluție de vectori caracteristici
- În intrinseca camerei
- Doar în interiorul unui MLP foarte profund
- Cum sunt combinate funcțiile pe mai multe niveluri de rezoluție?
- Ele sunt mediate într-un singur scalar
- Sunt sortate alfabetic
- Sunt privite în sus, interpolate triliniar, apoi concatenate
- Sunt aruncate cu excepția celui mai bun nivel
- Cum gestionează Instant-NGP coliziunile hash în tabelele sale cu rezoluție fină?
- Interzice în întregime ciocnirile cu o masă imensă
- Se prăbușește când au loc coliziuni
- Are hash doar culori, niciodată poziții
- Permite coliziunile și se bazează pe gradienții de antrenament pentru a dezambigua
- Aproximativ cât de mult accelerează Instant-NGP antrenamentul NeRF?
- De la ore până la secunde (ordine de mărime)
- Este de fapt mai lent
- Cu aproximativ 5 la sută mai rapid
- Nicio schimbare, doar o calitate mai bună
- Dincolo de NeRF, ce altceva poate reprezenta codificarea hash-grid?
- Doar text tipărit
- Funcții de distanță semnate și imagini gigapixeli
- Doar grafice bursiere
- Doar forme de undă 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