Тест на оценку глубины монокуляра

Ответы и пояснения появляются по мере прохождения теста.

1. Что делает оценку глубины «монокулярной»?
   • Он определяет глубину по одному изображению или камере, а не по стереосистеме или датчикам.
   • Он использует две камеры, разнесенные друг от друга, как человеческие глаза.
   • Работает только с черно-белыми изображениями.
   • Для этого требуется лидар-сканер, прикрепленный к камере.
2. What does a monocular depth estimator predict for an image?
   • A stereo disparity field that requires two camera views
   • A per-pixel depth or relative-depth map from one camera view
   • A categorical object-label map with no distance estimate
   • A dense motion-vector field between two video frames
3. What data recipe does the Depth Anything V2 paper report?
   • Train only on real labeled images and discard synthetic data
   • Train on unlabeled audio and convert speech to depth maps
   • Train a DINOv2-G teacher on synthetic labeled images, then use its pseudo-labels on real images to train students
   • Use stereo disparity as labels for every image at inference time
4. На какой сигнал монокулярные сети НЕ полагаются напрямую для определения глубины?
   • Относительный размер объектов
   • Градиенты текстур и перспектива
   • Окклюзия (какой объект блокирует другой)
   • Стерео несоответствие между двумя одновременными камерами
5. What does Monodepth2 use to reduce the effect of moving objects in self-supervised training?
   • An auto-masking procedure that excludes pixels inconsistent with camera motion
   • A learned text tokenizer
   • A region-proposal network
   • A fixed depth value for every object
6. What new evaluation benchmark does the Depth Anything V2 paper introduce?
   • A benchmark of 2,000 full metric depth maps from LiDAR only
   • DA-2K, with sparse relative-depth pairs annotated across 1,000 images
   • A corpus of six public datasets and randomly captured photos
   • A camera-calibration set containing no depth comparisons
7. How can self-supervised monocular depth training obtain a learning signal?
   • By reading depth labels from every pixel
   • By converting image colors directly to meters
   • By reconstructing one view from adjacent video frames and penalizing photometric mismatch
   • By using only language captions
8. What does a relative-depth output indicate?
   • Exact meters for every pixel
   • Camera GPS position
   • Object identity only
   • Ordering or relative distance, not necessarily calibrated metric distance