Questionário vinculado ao guia · Difícil Nível

Questionário estéreo multivisualização

Verifica entradas de pose de câmera MVS, consistência fotográfica, estimativa de profundidade, geometria esparsa versus densa e a distinção de ajuste de pacote.

Caminhos de guia relacionadosEstéreo multivisualização
Pergunta 1 de 8

O que o Multi-View Stereo normalmente assume que já é conhecido antes de começar?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. O que o Multi-View Stereo normalmente assume que já é conhecido antes de começar?
    • A câmera posa para cada imagem
    • A malha 3D final
    • As cores de cada superfície
    • Os nomes dos objetos na cena
  2. Qual princípio básico o MVS usa para encontrar pontos 3D corretos?
    • Maximizando o brilho da imagem
    • Consistência de fotos em múltiplas visualizações
    • Minimizando o tamanho do arquivo
    • Amostragem aleatória de pixels
  3. Como o MVS difere da saída de Structure from Motion?
    • MVS funciona apenas em uma única imagem
    • MVS ignora totalmente as posições da câmera
    • MVS produz profundidade densa por pixel, enquanto SfM fornece uma nuvem de pontos esparsa
    • MVS gera áudio em vez de geometria
  4. O que o estéreo de varredura plana faz?
    • Gira a câmera fisicamente
    • Varre a poeira da lente
    • Classifica as imagens em ordem alfabética
    • Varre um plano virtual através da profundidade e descobre onde as visualizações concordam melhor
  5. Quais superfícies são especialmente desafiadoras para o MVS?
    • Superfícies sem textura e reflexivas
    • Superfícies pintadas com cores vivas
    • Superfícies de pedra áspera
    • Qualquer coisa com bordas afiadas
  6. Como os métodos baseados em aprendizagem, como o MVSNet, melhoram o MVS clássico?
    • Eles eliminam a necessidade de qualquer câmera
    • Eles aprendem a combinar custos e regularização profunda de ponta a ponta para maior robustez
    • Eles só funcionam em tons de cinza
    • Eles produzem imagens 2D em vez de 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