引导式测验 · 硬 等级
DreamFusion 和 Score 蒸馏采样测验
了解 DreamFusion 的 NeRF 优化、2D 扩散先验、分数蒸馏采样和多视图渲染过程。
问题 1 的 8
DreamFusion 优化了哪些 3D 表示？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- DreamFusion 优化了哪些 3D 表示？
- NeRF（神经辐射场）
- 多边形网格
- 来自深度传感器的点云
- CT 数据的体素网格
- DreamFusion 需要多少 3D 训练数据？
- 数百次扫描
- 无
- 数百万个 CAD 模型
- 每个提示一个参考对象
- Score Distillation Sampling 中的计算捷径是什么？
- 它在每一步都训练一个新的扩散模型
- 它根本不使用渐变
- 它使用停止梯度评分信号，而不是通过扩散模型的完整雅可比矩阵进行反向传播
- 它只渲染一个固定的视点
- 为什么 DreamFusion 在其实验中使用了高无分类器引导？
- 减少 GPU 内存
- 使输出灰度化
- 以保证准确的几何形状
- 为了抵消 SDS 的过度平滑倾向，并鼓励产生更清晰的提示词条件结果
- 最初的 DreamFusion 使用哪个 2D 模型作为其冻结先验？
- Google 的图像
- 稳定扩散1.5
- 达尔-E 2
- Midjourney
- 当 2D 图像先验跨视角引导 3D 场景时，可能会出现什么伪影？
- 保证水密的网格
- 物体不同侧面上的重复面或特征
- 单一的灰度输出
- 没有渲染视图的 3D 对象
- 为什么 DreamFusion 在优化期间从采样的相机角度渲染 NeRF？
- 为了避免使用 NeRF 表示
- 用相机元数据替换文本提示词
- 为了让 2D 先验从 3D 场景的多个视角提供引导
- 创建音频配乐
- 优化后的 NeRF 允许用户对生成的场景进行什么操作？
- 恢复原始的 3D 训练扫描
- 保证物理上正确的材质
- 仅生成原始训练图像
- 从新的视角进行渲染并重新打光