Тест, свързан с ръководство · трудно Ниво

Стерео тест с множество изгледи

Проверява входовете на MVS позата на камерата, съгласуваността на снимките, оценката на дълбочината, разредената спрямо плътната геометрия и разликата в настройката на пакета.

Свързани ръководни пътекиМулти View Stereo
Въпрос 1 на 8

Какво Multi-View Stereo обикновено предполага, че вече е известно преди да започне?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво Multi-View Stereo обикновено предполага, че вече е известно преди да започне?
    • Камерата позира за всяко изображение
    • Крайната 3D мрежа
    • Цветовете на всяка повърхност
    • Имената на обектите в сцената
  2. Какъв основен принцип използва MVS, за да намери правилни 3D точки?
    • Максимизиране на яркостта на изображението
    • Съгласуваност на снимките в множество изгледи
    • Минимизиране на размера на файла
    • Произволно вземане на проби от пиксели
  3. Как се различава MVS от изхода на структура от движение?
    • MVS работи само с едно изображение
    • MVS игнорира изцяло позициите на камерата
    • MVS произвежда плътна дълбочина на пиксел, докато SfM дава рядък облак от точки
    • MVS извежда аудио вместо геометрия
  4. Какво прави plane-sweep стерео?
    • Завърта камерата физически
    • Помита праха от обектива
    • Сортира изображенията по азбучен ред
    • Премита виртуална равнина в дълбочина и намира къде изгледите съвпадат най-добре
  5. Кои повърхности са особено предизвикателни за MVS?
    • Без текстури и отразяващи повърхности
    • Ярко оцветени боядисани повърхности
    • Груби каменни повърхности
    • Всичко с остри ръбове
  6. Как базираните на обучение методи като MVSNet подобряват класическия MVS?
    • Премахват нуждата от всякакви камери
    • Те се научават да съпоставят разходите и да регулират дълбочината от край до край за по-голяма устойчивост
    • Те работят само в нива на сивото
    • Те произвеждат 2D изображения вместо 3D
  7. How may an MVS system compare a hypothesized depth across neighboring views?
    • Compare only the file names
    • Use the language-model perplexity
    • Warp image patches and measure their appearance agreement, for example with normalized cross-correlation
    • Count camera metadata fields
  8. After per-image depth maps are estimated, what can MVS do with them?
    • Convert them into language tokens
    • Replace the camera poses with labels
    • Discard all cross-view information
    • Fuse them into a denser point cloud or mesh and filter inconsistencies