引導式測驗 · 中等 等級
文字轉 3D 生成測驗
測試 DreamFusion 蒸餾、NeRF 最佳化、Janus 工件、前饋模型、多視圖一致性和 3D 限制。
問題 1 的 8
DreamFusion(2022)的關鍵創新是什麼?
預覽每個問題8 問題
當您參加測驗時,就會出現答案和解釋。
- DreamFusion(2022)的關鍵創新是什麼?
- 它使用分數蒸餾採樣將 2D 擴散模型製作為 3D,無需 3D 訓練數據
- 它是第一個用光達掃描真實物體的公司
- 它直接在大量標記的 3D 網格資料集上進行訓練
- 它使用一次前向傳遞即可立即產生 3D 模型
- 文字轉 3D 過程中的「Janus 問題」是什麼?
- 模型渲染速度太慢而無用
- 產生的物件從不同角度顯示多個面或正面
- 紋理顯得褪色且呈灰色
- 3D檔案格式與遊戲引擎不相容
- 哪一對是 OpenAI 的早期文字到 3D 前饋模型?
- DALL-E 和 CLIP
- 穩定擴散和 Midjourney
- E 點和 E 形
- DreamFusion 與 Magic3D
- 為什麼像 DreamFusion 這樣的早期基於最佳化的方法很慢?
- 他們每次都必須從雲端下載模型
- 預設以 8K 解析度渲染
- 他們需要在步驟之間進行手動雕刻
- 他們透過多次渲染迭代優化了每個物件的單獨 3D 表示
- 哪一種輸出格式不是這些系統產生的典型 3D 表示形式?
- MP3音訊波形
- 多邊形網格
- 輻射場 (NeRF)
- 點雲
- 「多視圖一致性」所指的挑戰是什麼?
- 使匯出的檔案大小保持一致
- 確保物體從每個攝影機角度看起來連貫且正確
- 將文字提示保持在字數限制之內
- 將調色板與品牌指南相匹配
- 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
- 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