Quiz lié à un guide · Moyen Niveau

DepthAnything Quiz sur la profondeur monoculaire

Passez en revue le moteur de données enseignant-élève de Depth Anything, l'encodeur DINOv2, les sorties de profondeur relative et les améliorations des données synthétiques dans la V2.

Chemins de guidage associésProfondeur monoculaire Depthanything
Question 1 de 8

Que signifie l'estimation de la profondeur « monoculaire » ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. Que signifie l'estimation de la profondeur « monoculaire » ?
    • Prédire la profondeur à partir d'une seule image
    • Utiliser deux caméras pour la vision stéréo
    • Utiliser un capteur LiDAR
    • Mesurer la profondeur avec des ondes sonores
  2. Quelle a été la stratégie principale de DepthAnything pour parvenir à une forte généralisation ?
    • Étiqueter manuellement un petit ensemble de données de haute qualité
    • Formation sur environ 62 millions d'images non étiquetées automatiquement
    • Utiliser uniquement des données synthétiques du moteur de jeu
    • S'appuyer sur des paires de caméras stéréo
  3. Sur quel encodeur principal DepthAnything s'appuie-t-il ?
    • Un CNN ResNet-18
    • Un réseau LSTM récurrent
    • Le transformateur de vision DINov2
    • Un détecteur YOLO
  4. Quel type de profondeur le DepthAnything original produit-il principalement ?
    • Distance exacte en mètres
    • Uniquement premier plan/arrière-plan binaire
    • Coordonnées GPS
    • Profondeur relative (plus près ou plus loin)
  5. Comment DepthAnything V2 a-t-il amélioré les détails et les contours ?
    • En formant l’enseignant sur des données synthétiques avec une vérité terrain parfaite, puis en distillant
    • En ajoutant plus d'étiquettes vraiment bruyantes
    • En retirant l'encodeur du transformateur
    • En utilisant des entrées de résolution inférieure
  6. Quelle application n'est PAS une utilisation typique des cartes de profondeur monoculaires ?
    • Flou d'arrière-plan en mode portrait
    • Chiffrement du trafic réseau
    • Conditionnement en profondeur ControlNet
    • Conversion de photos 2D en 3D
  7. What dense prediction head does the Depth Anything guide pair with its DINOv2 encoder?
    • A Marching Tetrahedra mesh extractor
    • A CLIP text-image similarity head
    • A DPT-style dense prediction head
    • A causal language-model decoder
  8. How does Depth Anything V2 use a teacher model with unlabeled real photos?
    • The teacher converts each photo into a 3D mesh
    • The teacher supplies only image captions to a language model
    • The teacher replaces all synthetic depth labels with manually measured distances
    • The teacher generates pseudo-depth labels that are used to train student models