引导式测验 · 中等 等级

文本转 3D 生成测验

测试 DreamFusion 蒸馏、NeRF 优化、Janus 工件、前馈模型、多视图一致性和 3D 限制。

相关引导路径文本转 3D 生成
问题 1 的 8

DreamFusion（2022）的关键创新是什么？

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。

  1. DreamFusion（2022）的关键创新是什么？
    • 它使用分数蒸馏采样将 2D 扩散模型制作为 3D，无需 3D 训练数据
    • 它是第一个用激光雷达扫描真实物体的公司
    • 它直接在大量标记的 3D 网格数据集上进行训练
    • 它使用一次前向传递即可立即生成 3D 模型
  2. 文本转 3D 过程中的“Janus 问题”是什么？
    • 模型渲染速度太慢而无用
    • 生成的对象从不同角度显示多个面或正面
    • 纹理显得褪色且呈灰色
    • 3D文件格式与游戏引擎不兼容
  3. 哪一对是 OpenAI 的早期文本到 3D 前馈模型？
    • DALL-E 和 CLIP
    • 稳定扩散和 Midjourney
    • E 点和 E 形
    • DreamFusion 和 Magic3D
  4. 为什么像 DreamFusion 这样的早期基于优化的方法很慢？
    • 他们每次都必须从云端下载模型
    • 默认以 8K 分辨率渲染
    • 他们需要在步骤之间进行手动雕刻
    • 他们通过多次渲染迭代优化了每个对象的单独 3D 表示
  5. 哪种输出格式不是这些系统生成的典型 3D 表示形式？
    • MP3音频波形
    • 多边形网格
    • 辐射场 (NeRF)
    • 点云
  6. “多视图一致性”所指的挑战是什么？
    • 使导出的文件大小保持一致
    • 确保物体从每个摄像机角度看起来连贯且正确
    • 将文本提示保持在字数限制之内
    • 将调色板与品牌指南相匹配
  7. What representation does Shap-E directly generate?
    • Only a fixed-resolution RGB image
    • A text transcript with speaker labels
    • Parameters of implicit functions that can render as textured meshes or neural radiance fields
    • A single unstructured audio waveform
  8. How does the Point-E paper’s two-stage system produce a 3D point cloud?
    • A 3D artist manually models every prompt
    • A NeRF is optimized from scratch using hundreds of camera views
    • A classifier predicts a file extension without generating geometry
    • A text-to-image model first generates a synthetic view, then an image-conditioned diffusion model produces a point cloud