Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Monokuláris mélységbecslési kvíz

Assess monocular depth ambiguity, self-supervised view synthesis, relative scale, and version-specific depth-model evidence.

Kapcsolódó útmutató utakMonokuláris mélységbecslés
kérdés 1 -ból 8

Mitől „monokuláris” a mélységbecslés?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mitől „monokuláris” a mélységbecslés?
    • Egyetlen képből vagy kamerából következtet a mélységre, nem sztereó vagy érzékelők alapján
    • Két kamerát használ, amelyek egymástól távol vannak, mint az emberi szem
    • Csak fekete-fehér képeken működik
    • A kamerához csatlakoztatott lidar szkenner szükséges
  2. Mit jósol egy monokuláris mélységbecslő egy képre?
    • A stereo disparity field that requires two camera views
    • A per-pixel depth or relative-depth map from one camera view
    • A categorical object-label map with no distance estimate
    • A dense motion-vector field between two video frames
  3. Milyen adatreceptet közöl a Depth Anything V2 papír?
    • Train only on real labeled images and discard synthetic data
    • Train on unlabeled audio and convert speech to depth maps
    • Train a DINOv2-G teacher on synthetic labeled images, then use its pseudo-labels on real images to train students
    • Use stereo disparity as labels for every image at inference time
  4. Melyik jelre NEM támaszkodnak közvetlenül a monokuláris hálózatok a mélység tekintetében?
    • Az objektumok relatív mérete
    • Textúra színátmenetek és perspektíva
    • Elzáródás (melyik objektum blokkol egy másikat)
    • Sztereó eltérés két egyidejű kamera között
  5. Mit használ a Monodepth2 a mozgó tárgyak hatásának csökkentésére az önfelügyelt edzés során?
    • An auto-masking procedure that excludes pixels inconsistent with camera motion
    • A learned text tokenizer
    • A region-proposal network
    • A fixed depth value for every object
  6. What new evaluation benchmark does the Depth Anything V2 paper introduce?
    • A benchmark of 2,000 full metric depth maps from LiDAR only
    • DA-2K, with sparse relative-depth pairs annotated across 1,000 images
    • A corpus of six public datasets and randomly captured photos
    • A camera-calibration set containing no depth comparisons
  7. How can self-supervised monocular depth training obtain a learning signal?
    • By reading depth labels from every pixel
    • By converting image colors directly to meters
    • By reconstructing one view from adjacent video frames and penalizing photometric mismatch
    • By using only language captions
  8. What does a relative-depth output indicate?
    • Exact meters for every pixel
    • Camera GPS position
    • Object identity only
    • Ordering or relative distance, not necessarily calibrated metric distance