Quiz połączony z przewodnikiem · Ciężko Poziom
Quiz stereo z wieloma widokami
Sprawdza dane wejściowe kamery MVS, spójność zdjęć, szacowanie głębokości, geometrię rzadką i gęstą oraz rozróżnienie regulacji wiązki.
Pytanie 1 z 8
Co zwykle zakłada Multi-View Stereo jest już znane przed jego rozpoczęciem?
Podgląd każdego pytania8 pytania
Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.
- Co zwykle zakłada Multi-View Stereo jest już znane przed jego rozpoczęciem?
- Aparat pozuje do każdego zdjęcia
- Ostateczna siatka 3D
- Kolory każdej powierzchni
- Nazwy obiektów na scenie
- Jakiej podstawowej zasady używa MVS do znajdowania prawidłowych punktów 3D?
- Maksymalizacja jasności obrazu
- Spójność zdjęć w wielu widokach
- Minimalizowanie rozmiaru pliku
- Losowe próbkowanie pikseli
- Czym MVS różni się od danych wyjściowych Structure z Motion?
- MVS działa tylko na pojedynczym obrazie
- MVS całkowicie ignoruje pozycje kamer
- MVS generuje gęstą głębię na piksel, podczas gdy SfM daje rzadką chmurę punktów
- MVS wyprowadza dźwięk zamiast geometrii
- Do czego służy stereofoniczne przesunięcie płaszczyzny?
- Obraca kamerę fizycznie
- Wymiata kurz z obiektywu
- Sortuje obrazy alfabetycznie
- Przesuwa wirtualną płaszczyznę przez głębokość i znajduje miejsca, w których widoki najlepiej się zgadzają
- Które powierzchnie stanowią szczególne wyzwanie dla MVS?
- Powierzchnie pozbawione tekstury i odblaskowe
- Powierzchnie malowane w jaskrawych kolorach
- Szorstkie powierzchnie kamienne
- Wszystko, co ma ostre krawędzie
- W jaki sposób metody oparte na uczeniu się, takie jak MVSNet, poprawiają klasyczne MVS?
- Eliminują potrzebę stosowania jakichkolwiek kamer
- Uczą się kompleksowo dopasowywać koszty i regulować głębokość, aby uzyskać większą niezawodność
- Działają tylko w skali szarości
- Tworzą obrazy 2D zamiast 3D
- 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
- 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