แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบฟิลด์ Plenoxels และ Voxel Radiance
ทดสอบว่า Plenoxels เก็บเรเดียนซ์ในโวกซ์แบบกระจาย, ปรับค่าสัมประสิทธิ์โดยไม่ใช้ MLP, และทำให้การแสดงผลเป็นระเบียบอย่างไร
คำถาม 1 ของ 8
อะไรคือตัวเลือกการออกแบบที่น่าประหลาดใจที่สุดใน Plenoxels เมื่อเปรียบเทียบกับ NeRF?
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- อะไรคือตัวเลือกการออกแบบที่น่าประหลาดใจที่สุดใน Plenoxels เมื่อเปรียบเทียบกับ NeRF?
- มันไม่ใช้โครงข่ายประสาทเทียมเลย
- มันใช้โครงข่ายประสาทเทียมที่ลึกกว่ามาก
- มันใช้งานได้ในรูปแบบ 2D เท่านั้น
- ต้องใช้เครื่องสแกน LiDAR
- แต่ละ voxel ที่ถูกครอบครองใน Plenoxels เก็บอะไรเพื่อจับภาพสีที่ขึ้นกับมุมมอง
- แผนที่พื้นผิว RGB เต็มรูปแบบ
- ค่าสัมประสิทธิ์ฮาร์มอนิกทรงกลม
- โครงข่ายประสาทเทียมที่แยกจากกัน
- ค่าความลึกเท่านั้น
- 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
- ค่าที่ดึงมาจากตาราง voxel ตามแนวรังสีเป็นอย่างไร
- ค้นหาเพื่อนบ้านที่ใกล้ที่สุดเท่านั้น
- การสุ่มตัวอย่าง
- ตัวกรองแบบหมุนวน
- การประมาณค่าแบบไตรลิเนียร์
- 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
- เพื่อให้มีประสิทธิภาพอยู่เสมอ Plenoxels voxel grid ถูกจัดเก็บอย่างไร
- เป็นก้อนที่อัดแน่นเต็มไปหมด
- เนื่องจากตารางกระจัดกระจายทำให้มีเพียง voxels ที่ถูกครอบครองเท่านั้น
- เป็นภาพแบนๆ เดียว
- เป็นเฟรมวิดีโอที่ถูกบีบอัด
- What regularizer did the Plenoxels paper use to encourage spatial smoothness?
- การสูญเสียการรู้จำเสียงพูด
- A KL penalty between language models
- A total-variation regularizer on voxel coefficients
- A bitrate constraint on rendered images
- What does “Plenoxels” expand to?
- Planar neural outputs
- Perceptual linear voxels
- Point-level network samples
- Plenoptic voxels