Kuis terkait panduan · Keras Tingkat

Kuis Stereo Multi-Tampilan

Memeriksa input pose kamera MVS, konsistensi foto, estimasi kedalaman, geometri renggang versus padat, dan perbedaan penyesuaian bundel.

Jalur panduan terkaitStereo Multi Tampilan
Pertanyaan 1 dari 8

Apa yang biasanya diasumsikan oleh Multi-View Stereo sudah diketahui sebelum dimulai?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Apa yang biasanya diasumsikan oleh Multi-View Stereo sudah diketahui sebelum dimulai?
    • Kamera berpose untuk setiap gambar
    • Jaring 3D terakhir
    • Warna setiap permukaan
    • Nama-nama objek dalam adegan tersebut
  2. Prinsip inti apa yang digunakan MVS untuk menemukan titik 3D yang benar?
    • Memaksimalkan kecerahan gambar
    • Konsistensi foto di berbagai tampilan
    • Meminimalkan ukuran file
    • Pengambilan sampel piksel secara acak
  3. Apa perbedaan MVS dengan keluaran Structure from Motion?
    • MVS hanya berfungsi pada satu gambar
    • MVS mengabaikan posisi kamera sepenuhnya
    • MVS menghasilkan kedalaman per piksel yang padat, sedangkan SfM menghasilkan titik awan yang jarang
    • MVS mengeluarkan audio, bukan geometri
  4. Apa yang dilakukan stereo penyapu pesawat?
    • Memutar kamera secara fisik
    • Menyapu debu dari lensa
    • Mengurutkan gambar berdasarkan abjad
    • Menyapu bidang virtual melalui kedalaman dan menemukan tempat pandangan paling sesuai
  5. Permukaan manakah yang paling menantang untuk MVS?
    • Permukaan tanpa tekstur dan reflektif
    • Permukaan dicat berwarna cerah
    • Permukaan batu kasar
    • Apa pun yang ujungnya tajam
  6. Bagaimana metode berbasis pembelajaran seperti MVSNet meningkatkan MVS klasik?
    • Mereka menghilangkan kebutuhan akan kamera apa pun
    • Mereka mempelajari penyesuaian biaya dan regularisasi mendalam secara menyeluruh untuk ketahanan yang lebih baik
    • Mereka hanya bekerja dalam skala abu-abu
    • Mereka menghasilkan gambar 2D, bukan 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