Cuestionario vinculado a una guía · duro Nivel

Prueba estéreo multivista

Comprueba las entradas de pose de la cámara MVS, la coherencia de las fotografías, la estimación de profundidad, la geometría escasa versus densa y la distinción del ajuste del haz.

Rutas de guía relacionadasEstéreo multivista
Pregunta 1 de 8

¿Qué supone normalmente Multi-View Stereo que ya se sabe antes de comenzar?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Qué supone normalmente Multi-View Stereo que ya se sabe antes de comenzar?
    • La cámara posa para cada imagen.
    • La malla 3D final
    • Los colores de cada superficie.
    • Los nombres de los objetos en la escena.
  2. ¿Qué principio básico utiliza MVS para encontrar puntos 3D correctos?
    • Maximizar el brillo de la imagen
    • Consistencia fotográfica en múltiples vistas
    • Minimizar el tamaño del archivo
    • Muestreo aleatorio de píxeles.
  3. ¿En qué se diferencia MVS del resultado de Structure from Motion?
    • MVS solo funciona en una sola imagen
    • MVS ignora por completo las posiciones de la cámara
    • MVS produce una profundidad densa por píxel, mientras que SfM proporciona una nube de puntos escasa
    • MVS genera audio en lugar de geometría
  4. ¿Qué hace el estéreo de barrido plano?
    • Gira la cámara físicamente.
    • Barre el polvo de la lente
    • Ordena las imágenes alfabéticamente
    • Barre un plano virtual a través de la profundidad y encuentra dónde las vistas concuerdan mejor
  5. ¿Qué superficies son especialmente difíciles para MVS?
    • Superficies sin textura y reflectantes
    • Superficies pintadas de colores brillantes
    • Superficies de piedra rugosas
    • Cualquier cosa con bordes afilados
  6. ¿Cómo mejoran los métodos basados en el aprendizaje como MVSNet en comparación con el MVS clásico?
    • Eliminan la necesidad de cámaras.
    • Aprenden los costos de comparación y la regularización profunda de un extremo a otro para una mayor solidez.
    • Solo funcionan en escala de grises.
    • Producen imágenes 2D en lugar de 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