Mit dem Guide verknüpftes Quiz · Schwer Ebene

Multi-View-Stereo-Quiz

Überprüft MVS-Kamerapositionseingaben, Fotokonsistenz, Tiefenschätzung, spärliche versus dichte Geometrie und die Unterscheidung der Bündelanpassung.

Verwandte FührungspfadeMulti-View-Stereo
Frage 1 von 8

Was geht bei Multi-View Stereo normalerweise davon aus, dass es bereits vor dem Start bekannt ist?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Was geht bei Multi-View Stereo normalerweise davon aus, dass es bereits vor dem Start bekannt ist?
    • Die Kamera posiert für jedes Bild
    • Das endgültige 3D-Netz
    • Die Farben jeder Oberfläche
    • Die Namen der Objekte in der Szene
  2. Welches Grundprinzip verwendet MVS, um korrekte 3D-Punkte zu finden?
    • Maximierung der Bildhelligkeit
    • Fotokonsistenz über mehrere Ansichten hinweg
    • Minimierung der Dateigröße
    • Zufällige Auswahl von Pixeln
  3. Wie unterscheidet sich MVS von der Ausgabe von Structure from Motion?
    • MVS funktioniert nur mit einem einzelnen Image
    • MVS ignoriert Kamerapositionen vollständig
    • MVS erzeugt eine dichte Tiefe pro Pixel, während SfM eine spärliche Punktwolke liefert
    • MVS gibt Audio statt Geometrie aus
  4. Was macht Plane-Sweep-Stereo?
    • Dreht die Kamera physisch
    • Fegt Staub von der Linse
    • Sortiert Bilder alphabetisch
    • Durchsucht eine virtuelle Ebene durch die Tiefe und findet heraus, wo die Ansichten am besten übereinstimmen
  5. Welche Oberflächen stellen für MVS eine besondere Herausforderung dar?
    • Strukturlose und reflektierende Oberflächen
    • Bunt lackierte Oberflächen
    • Raue Steinoberflächen
    • Alles mit scharfen Kanten
  6. Wie verbessern lernbasierte Methoden wie MVSNet das klassische MVS?
    • Sie machen Kameras überflüssig
    • Sie lernen durchgängig Matching-Kosten und Tiefenregulierung für mehr Robustheit
    • Sie funktionieren nur in Graustufen
    • Sie erzeugen 2D-Bilder statt 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