Викторина, связанная с руководством · Средний Уровень

Викторина «Пленоксели и воксельные поля излучения»

Проверьте, как Plenoxels сохраняет яркость в разреженных вокселах, оптимизирует коэффициенты без MLP и регуляризует представление.

Связанные направляющие путиПленоксели и воксельные поля излучения
Вопрос 1 из 8

Какой дизайн Plenoxels является самым удивительным по сравнению с NeRF?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Какой дизайн Plenoxels является самым удивительным по сравнению с NeRF?
    • Он вообще не использует нейронную сеть
    • Он использует гораздо более глубокую нейронную сеть.
    • Работает только в 2D
    • Для этого требуются сканеры LiDAR.
  2. Что хранит каждый занятый воксел в Plenoxels для захвата цвета, зависящего от вида?
    • Полная текстурная карта RGB.
    • Коэффициенты сферических гармоник
    • Отдельная нейронная сеть
    • Только значение глубины
  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. Как значения извлекаются из сетки вокселей вдоль луча?
    • Только поиск ближайшего соседа
    • Случайная выборка
    • Сверточный фильтр
    • Трилинейная интерполяция
  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. Как хранится воксельная сетка Plenoxels, чтобы обеспечить эффективность?
    • Как плотный полностью заполненный куб
    • В виде разреженной сетки, в которой сохраняются только занятые вокселы.
    • Как одно плоское изображение
    • В виде сжатых видеокадров
  7. What regularizer did the Plenoxels paper use to encourage spatial smoothness?
    • Потеря распознавания речи
    • 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