Útmutatóhoz kapcsolódó kvíz · Kemény Szint

Többnézetű sztereó kvíz

Checks MVS camera-pose inputs, photo-consistency, depth estimation, sparse versus dense geometry and the bundle-adjustment distinction.

Kapcsolódó útmutató utakTöbbnézetű sztereó
kérdés 1 -ból 8

Miről feltételezi a Multi-View Stereo, hogy az már ismert, mielőtt elindulna?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Miről feltételezi a Multi-View Stereo, hogy az már ismert, mielőtt elindulna?
    • A kamera minden egyes képhez póz
    • Az utolsó 3D háló
    • Minden felület színei
    • A jelenetben lévő objektumok nevei
  2. Milyen alapelvet használ az MVS a megfelelő 3D pontok megtalálásához?
    • A kép fényerejének maximalizálása
    • Fotókonzisztencia több nézetben
    • A fájl méretének minimalizálása
    • A pixelek véletlenszerű mintavétele
  3. Miben különbözik az MVS a Structure from Motion kimenetétől?
    • Az MVS csak egyetlen képen működik
    • Az MVS teljesen figyelmen kívül hagyja a kameraállásokat
    • Az MVS sűrű, pixelenkénti mélységet, míg az SfM ritka pontfelhőt ad
    • Az MVS hangot ad ki geometria helyett
  4. Mit csinál a síksávos sztereó?
    • Fizikailag elforgatja a kamerát
    • Lesöpri a port az objektívről
    • A képeket ábécé szerint rendezi
    • Végigsöpör egy virtuális síkon a mélységen, és megtalálja azt, ahol a nézetek a legjobban megegyeznek
  5. Mely felületek jelentenek különösen nagy kihívást az MVS számára?
    • Textúramentes és fényvisszaverő felületek
    • Élénk színű festett felületek
    • Durva kőfelületek
    • Bármi, aminek éles szélei vannak
  6. Hogyan javítanak a tanuláson alapuló módszerek, mint például az MVSNet a klasszikus MVS-en?
    • Nincs szükség kamerákra
    • Megtanulják a költségek összehangolását és a mélységszabályozást végpontok között a nagyobb robusztusság érdekében
    • Csak szürkeárnyalatban működnek
    • 3D helyett 2D képeket készítenek
  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