Κουίζ που συνδέεται με οδηγό · Σκληρό Επίπεδο

Κουίζ πολλαπλής προβολής στερεοφωνικό

Ελέγχει τις εισόδους θέσης κάμερας MVS, τη φωτοσυνέπεια, την εκτίμηση βάθους, τη γεωμετρία αραιής έναντι πυκνής και τη διάκριση προσαρμογής δέσμης.

Σχετικές διαδρομές οδηγώνΣτερεοφωνικό Multi View
Ερώτηση 1 του 8

Τι υποθέτει συνήθως το Multi-View Stereo είναι ήδη γνωστό πριν ξεκινήσει;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι υποθέτει συνήθως το Multi-View Stereo είναι ήδη γνωστό πριν ξεκινήσει;
    • Η κάμερα ποζάρει για κάθε εικόνα
    • Το τελικό 3D πλέγμα
    • Τα χρώματα κάθε επιφάνειας
    • Τα ονόματα των αντικειμένων στη σκηνή
  2. Ποια βασική αρχή χρησιμοποιεί το MVS για να βρει σωστά σημεία 3D;
    • Μεγιστοποίηση της φωτεινότητας της εικόνας
    • Φωτογραφική συνέπεια σε πολλές προβολές
    • Ελαχιστοποίηση του μεγέθους του αρχείου
    • Τυχαία δειγματοληψία pixel
  3. Πώς διαφέρει το MVS από την έξοδο του Structure από το Motion;
    • Το MVS λειτουργεί μόνο σε μία εικόνα
    • Το MVS αγνοεί εντελώς τις θέσεις της κάμερας
    • Το MVS παράγει πυκνό βάθος ανά pixel, ενώ το SfM δίνει ένα σύννεφο αραιού σημείου
    • Το MVS εξάγει ήχο αντί για γεωμετρία
  4. Τι κάνει το στερεοφωνικό σάρωσης αεροπλάνου;
    • Περιστρέφει φυσικά την κάμερα
    • Σαρώνει τη σκόνη από το φακό
    • Ταξινομεί τις εικόνες αλφαβητικά
    • Σαρώνει ένα εικονικό επίπεδο σε βάθος και βρίσκει πού συμφωνούν καλύτερα οι απόψεις
  5. Ποιες επιφάνειες είναι ιδιαίτερα απαιτητικές για το MVS;
    • Επιφάνειες χωρίς υφή και ανακλαστικές
    • Βαμμένες επιφάνειες με έντονα χρώματα
    • Τραχιές πέτρινες επιφάνειες
    • Οτιδήποτε με αιχμηρές άκρες
  6. Πώς βελτιώνονται οι μέθοδοι που βασίζονται στη μάθηση, όπως το MVSNet, στο κλασικό MVS;
    • Αφαιρούν την ανάγκη για κάμερες
    • Μαθαίνουν να ταιριάζουν το κόστος και την τακτοποίηση βάθους από άκρο σε άκρο για μεγαλύτερη στιβαρότητα
    • Λειτουργούν μόνο σε κλίμακα του γκρι
    • Παράγουν εικόνες 2D αντί για 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