Kuis terkait panduan · Sedang Tingkat

Kuis Kedalaman Monokuler DepthAnything

Tinjau mesin data guru-siswa Depth Anything, encoder DINOv2, output kedalaman relatif, dan peningkatan data sintetis di V2.

Jalur panduan terkaitKedalaman Bermata Kedalaman
Pertanyaan 1 dari 8

Apa yang dimaksud dengan estimasi kedalaman 'bermata'?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang dimaksud dengan estimasi kedalaman 'bermata'?
    • Memprediksi kedalaman dari satu gambar
    • Menggunakan dua kamera untuk penglihatan stereo
    • Menggunakan sensor LiDAR
    • Mengukur kedalaman dengan gelombang suara
  2. Apa strategi utama DepthAnything untuk mencapai generalisasi yang kuat?
    • Memberi label tangan pada kumpulan data kecil berkualitas tinggi
    • Pelatihan tentang sekitar 62 juta gambar tanpa label yang diberi label otomatis
    • Hanya menggunakan data mesin game sintetis
    • Mengandalkan pasangan kamera stereo
  3. Encoder tulang punggung apa yang dibangun oleh DepthAnything?
    • CNN ResNet-18
    • Jaringan LSTM berulang
    • Transformator visi DINOv2
    • Detektor YOLO
  4. Kedalaman seperti apa yang dihasilkan oleh DepthAnything asli?
    • Jarak yang tepat dalam meter
    • Hanya latar depan/latar belakang biner
    • Koordinat GPS
    • Kedalaman relatif (lebih dekat vs. lebih jauh)
  5. Bagaimana DepthAnything V2 meningkatkan detail dan tepian halus?
    • Dengan melatih guru tentang data sintetik dengan kebenaran dasar yang sempurna, kemudian menyaringnya
    • Dengan menambahkan label yang lebih berisik
    • Dengan melepas encoder trafo
    • Dengan menggunakan input resolusi lebih rendah
  6. Aplikasi mana yang BUKAN merupakan penggunaan peta kedalaman monokuler?
    • Latar belakang mode potret kabur
    • Mengenkripsi lalu lintas jaringan
    • Pengondisian kedalaman ControlNet
    • Konversi foto 2D ke 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