ڈریم فیوژن اور اسکور ڈسٹلیشن سیمپلنگ کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. ڈریم فیوژن کس 3D نمائندگی کو بہتر بناتا ہے؟
   • ایک این آر ایف (نیورل ریڈیئنس فیلڈ)
   • ایک کثیرالاضلاع میش
   • گہرائی کے سینسر سے ایک نقطہ بادل
   • CT ڈیٹا سے ایک ووکسیل گرڈ
2. ڈریم فیوژن کو کتنے 3D ٹریننگ ڈیٹا کی ضرورت ہے؟
   • چند سو اسکین
   • کوئی نہیں۔
   • لاکھوں CAD ماڈل
   • فی پرامپٹ ایک حوالہ آبجیکٹ
3. What is the computational shortcut in Score Distillation Sampling?
   • It trains a new diffusion model every step
   • یہ بالکل بھی کوئی میلان استعمال نہیں کرتا ہے۔
   • It uses a stop-gradient score signal instead of backpropagating through the diffusion model’s full Jacobian
   • یہ صرف ایک مقررہ نقطہ نظر پیش کرتا ہے۔
4. Why did DreamFusion use high classifier-free guidance in its experiments?
   • GPU میموری کو کم کرنے کے لیے
   • آؤٹ پٹ کو گرے اسکیل بنانے کے لیے
   • To guarantee accurate geometry
   • To counter the oversmoothing tendency of SDS and encourage sharper prompt-conditioned results
5. اصل ڈریم فیوژن نے اپنے منجمد ہونے سے پہلے کون سا 2D ماڈل استعمال کیا تھا؟
   • Google کی تصویر
   • مستحکم بازی 1.5
   • DALL-E 2
   • Midjourney
6. What artifact can arise when a 2D image prior guides a 3D scene across views?
   • A guaranteed watertight mesh
   • Duplicated faces or features on different sides of the object
   • A single grayscale output
   • A 3D object with no rendered views
7. Why does DreamFusion render the NeRF from sampled camera angles during optimization?
   • To avoid using the NeRF representation
   • To replace the text prompt with camera metadata
   • To let the 2D prior provide guidance from multiple views of the 3D scene
   • To create an audio soundtrack
8. What does an optimized NeRF allow a user to do with the generated scene?
   • Recover the original 3D training scan
   • Guarantee physically correct materials
   • Generate only the original training image
   • Render it from new viewpoints and relight it