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。

相關引導路徑文字轉 3D 生成
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。

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 「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
  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