Викторина, связанная с руководством · Жесткий Уровень

Многопросмотровая стереовикторина

Проверяет входные данные о позе камеры MVS, согласованность фотографий, оценку глубины, разреженную и плотную геометрию, а также различие в настройке пакета.

Связанные направляющие путиМультипросмотр стерео
Вопрос 1 из 8

Что обычно предполагает, что Multi-View Stereo уже известно до его запуска?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Что обычно предполагает, что Multi-View Stereo уже известно до его запуска?
    • Камера позирует для каждого изображения
    • Окончательная 3D-сетка
    • Цвета любой поверхности
    • Названия объектов в сцене
  2. Какой основной принцип использует MVS для поиска правильных 3D-точек?
    • Максимизация яркости изображения
    • Согласованность фотографий в нескольких представлениях
    • Минимизация размера файла
    • Случайная выборка пикселей
  3. Чем MVS отличается от результата Structure from Motion?
    • MVS работает только с одним изображением
    • MVS полностью игнорирует положение камеры.
    • MVS создает плотную глубину каждого пикселя, а SfM дает разреженное облако точек.
    • MVS выводит звук вместо геометрии
  4. Что делает плоскостное стерео?
    • Физически вращает камеру
    • Сметает пыль с линзы
    • Сортирует изображения по алфавиту
    • Проводит виртуальную плоскость по глубине и находит места, где виды лучше всего совпадают.
  5. Какие поверхности особенно сложны для MVS?
    • Бестекстурные и отражающие поверхности.
    • Ярко окрашенные поверхности
    • Грубые каменные поверхности
    • Что-нибудь с острыми краями
  6. Как методы обучения, такие как MVSNet, улучшают классический MVS?
    • Они устраняют необходимость в каких-либо камерах
    • Они изучают сопоставление затрат и сквозную регуляризацию глубины для большей надежности.
    • Они работают только в оттенках серого.
    • Они создают 2D-изображения вместо 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