引导式测验 · 中等 等级
Mip-NeRF 和抗锯齿辐射场测验
了解 Mip-NeRF 如何使用截头圆锥体和跨多个尺度的集成位置编码对像素足迹进行建模。
问题 1 的 8
Mip-NeRF 在场景中追踪什么几何形状，而不是原始 NeRF 使用的细射线？
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。
- Mip-NeRF 在场景中追踪什么几何形状，而不是原始 NeRF 使用的细射线？
- 圆锥体分为截头圆锥体
- 一个平面
- 一条无限细的线
- 一个立方体
- 取代标准位置编码的 Mip-NeRF 编码的名称是什么？
- 哈希网格编码
- 集成位置编码 (IPE)
- 球谐编码
- 傅里叶射线编码
- 为什么原版NeRF在相机距离变化时会产生锯齿现象？
- 它使用了太多的神经网络层
- 它仅以灰度渲染
- 它对点进行采样，而不考虑像素覆盖的面积
- 它不能模拟颜色，只能模拟深度
- Mip-NeRF 如何近似截头圆锥体内的区域进行编码？
- 作为一个完美的球体
- 作为三角形网格
- 作为 1000 个样本的点云
- 作为多元高斯
- 大视锥体内的高频编码特征会发生什么？
- 它们会自动衰减到零
- 它们被放大了
- 它们被转换为颜色
- 他们使渲染器崩溃
- 后来哪种方法将 Mip-NeRF 的抗锯齿方法扩展到无边界的室外场景？
- Stable Diffusion
- Mip-NeRF 360
- 图像网
- 残差网络
- Mip-NeRF 旨在在连续范围的图像尺度上建模什么表示？
- 固定分辨率像素查找表
- 图像补丁的依赖树
- 预过滤辐射场
- 音频频谱图
- 后面哪种方法将抗锯齿思想与基于网格的神经辐射场相结合？
- 仅限 Mip-NeRF 360
- 稳定的视频扩散
- 集团相关政策优化
- Zip-NeRF