Kvíz spojený s průvodcem · Těžko úroveň
Monokulární test odhadu hloubky
Posuďte nejednoznačnost monokulární hloubky, syntézu pohledu s vlastním dohledem, relativní měřítko a důkazy hloubkového modelu specifické pro verzi.
Otázka 1 z 8
Co dělá odhad hloubky „monokulární“?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co dělá odhad hloubky „monokulární“?
- Hloubku odvozuje z jednoho snímku nebo kamery, nikoli ze sterea nebo senzorů
- Využívá dvě kamery rozmístěné od sebe jako lidské oči
- Funguje pouze na černobílých snímcích
- Vyžaduje to lidarový skener připojený k fotoaparátu
- What does a monocular depth estimator predict for an image?
- A stereo disparity field that requires two camera views
- A per-pixel depth or relative-depth map from one camera view
- A categorical object-label map with no distance estimate
- A dense motion-vector field between two video frames
- What data recipe does the Depth Anything V2 paper report?
- Train only on real labeled images and discard synthetic data
- Train on unlabeled audio and convert speech to depth maps
- Train a DINOv2-G teacher on synthetic labeled images, then use its pseudo-labels on real images to train students
- Use stereo disparity as labels for every image at inference time
- Na jaké vodítko se monokulární sítě přímo nespoléhají pro hloubku?
- Relativní velikost objektů
- Přechody textur a perspektiva
- Okluze (který objekt blokuje jiný)
- Stereo nepoměr mezi dvěma simultánními kamerami
- What does Monodepth2 use to reduce the effect of moving objects in self-supervised training?
- An auto-masking procedure that excludes pixels inconsistent with camera motion
- A learned text tokenizer
- A region-proposal network
- A fixed depth value for every object
- What new evaluation benchmark does the Depth Anything V2 paper introduce?
- A benchmark of 2,000 full metric depth maps from LiDAR only
- DA-2K, with sparse relative-depth pairs annotated across 1,000 images
- A corpus of six public datasets and randomly captured photos
- A camera-calibration set containing no depth comparisons
- How can self-supervised monocular depth training obtain a learning signal?
- By reading depth labels from every pixel
- By converting image colors directly to meters
- By reconstructing one view from adjacent video frames and penalizing photometric mismatch
- By using only language captions
- What does a relative-depth output indicate?
- Exact meters for every pixel
- Camera GPS position
- Object identity only
- Ordering or relative distance, not necessarily calibrated metric distance