Quiz lié à un guide · Difficile Niveau

Quiz stéréo multi-vues

Vérifie les entrées de pose de la caméra MVS, la photocohérence, l'estimation de la profondeur, la géométrie clairsemée par rapport à la géométrie dense et la distinction d'ajustement du faisceau.

Chemins de guidage associésStéréo multi-vues
Question 1 de 8

Qu'est-ce que Multi-View Stereo suppose généralement déjà connu avant de démarrer ?

Prévisualisez chaque question8 des questions

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

  1. Qu'est-ce que Multi-View Stereo suppose généralement déjà connu avant de démarrer ?
    • La caméra pose pour chaque image
    • Le maillage 3D final
    • Les couleurs de chaque surface
    • Les noms des objets dans la scène
  2. Quel principe de base MVS utilise-t-il pour trouver les bons points 3D ?
    • Maximiser la luminosité de l'image
    • Cohérence des photos sur plusieurs vues
    • Minimiser la taille du fichier
    • Échantillonnage aléatoire de pixels
  3. En quoi MVS diffère-t-il de la sortie de Structure from Motion ?
    • MVS ne fonctionne que sur une seule image
    • MVS ignore complètement les positions des caméras
    • MVS produit une profondeur dense par pixel, tandis que SfM donne un nuage de points clairsemé
    • MVS produit de l'audio au lieu de la géométrie
  4. À quoi sert la stéréo à balayage d'avion ?
    • Fait pivoter physiquement la caméra
    • Balaie la poussière de l'objectif
    • Trie les images par ordre alphabétique
    • Balaie un plan virtuel en profondeur et trouve où les vues concordent le mieux
  5. Quelles surfaces sont particulièrement difficiles pour MVS ?
    • Surfaces sans texture et réfléchissantes
    • Surfaces peintes aux couleurs vives
    • Surfaces en pierre brute
    • Tout ce qui a des arêtes vives
  6. Comment les méthodes basées sur l’apprentissage comme MVSNet améliorent-elles le MVS classique ?
    • Ils suppriment le besoin de caméras
    • Ils apprennent l'appariement des coûts et la régularisation en profondeur de bout en bout pour une plus grande robustesse
    • Ils ne fonctionnent qu'en niveaux de gris
    • Ils produisent des images 2D au lieu 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