Вікторина, пов’язана з посібником · Середній Рівень
Тест для синтезу роману
Досліджуйте поля яскравості, рендеринг променів, примітиви Гауса, фотометричне спостереження, позиційне кодування та ефективне представлення хеш-сітки.
Питання 1 з 8
Given photos of a scene, what does novel view synthesis try to produce?
Перегляньте кожне запитання8 запитання
Відповіді та пояснення з’являються під час виконання тесту.
- Given photos of a scene, what does novel view synthesis try to produce?
- Для стиснення зображень у менші файли
- Для перекладу підписів до зображень іншими мовами
- Для виявлення об'єктів на одній фотографії
- Для візуалізації сцени з точки зору камери, яка не була спочатку зафіксована
- Що відображає поле нейронного випромінювання (NeRF) у 3D-положенні та напрямку перегляду?
- Текстовий опис
- Колір (світло) і об'ємна щільність
- Серійний номер камери
- Стислий звуковий сигнал
- Як NeRF рендерить піксель для нового перегляду?
- Шляхом безпосереднього копіювання найближчого навчального зображення
- Шляхом усереднення всіх пікселів у наборі даних
- За допомогою об’ємного маршування променя: вибірка точок уздовж променя та інтегрування кольору та щільності
- Запустивши оптичне розпізнавання символів
- What distinguishes 3D Gaussian Splatting's scene representation from an original NeRF-style per-ray network evaluation?
- Explicit 3D Gaussian primitives rendered through a differentiable rasterization approach
- A representation containing no scene parameters or image observations
- Only a table of audio phonemes
- A method that copies a single input photo for every viewpoint
- Чому методи NVS можуть відтворювати відблиски та блискучі відблиски?
- Вони повністю ігнорують освітлення
- Вони моделюють зовнішній вигляд, залежний від перегляду, тому колір може змінюватися залежно від напрямку перегляду
- Вони відображаються лише у відтінках сірого
- Вони використовують GPS-координати
- What representation technique is central to Instant-NGP's acceleration of neural graphics tasks?
- Removing all input observations from training
- Converting the scene into a spreadsheet of filenames
- A guarantee of the same training time for every scene
- A multiresolution hash encoding
- What supplies the photometric training target in original NeRF scene optimization?
- Observed pixel colors in the training images, compared with rendered colors
- A required ground-truth 3D mesh for every scene
- Only the scene's written caption
- Only the final image's file size
- Why did original NeRF use positional encoding on its coordinate inputs?
- To identify the camera's serial number
- To supply surveyed coordinates without measurements
- To help the network represent high-frequency spatial and directional variation
- To eliminate every need for a radiance-field network