แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ยาก ระดับ

แบบทดสอบสเตอริโอหลายมุมมอง

ตรวจสอบอินพุตการจัดท่ากล้อง MVS ความสม่ำเสมอของภาพถ่าย การประมาณความลึก เรขาคณิตแบบเบาบางและหนาแน่น และความแตกต่างในการปรับแต่งมัดรวม

เส้นทางแนะนำที่เกี่ยวข้องสเตอริโอหลายมุมมอง
คำถาม 1 ของ 8

โดยทั่วไป Multi-View Stereo ถือว่าอะไรเป็นที่รู้จักแล้วก่อนที่จะเริ่ม?

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. โดยทั่วไป Multi-View Stereo ถือว่าอะไรเป็นที่รู้จักแล้วก่อนที่จะเริ่ม?
    • กล้องจะจัดวางสำหรับแต่ละภาพ
    • ตาข่าย 3D สุดท้าย
    • สีสันของทุกพื้นผิว
    • ชื่อของวัตถุในฉาก
  2. MVS ใช้หลักการสำคัญใดในการค้นหาจุด 3 มิติที่ถูกต้อง
    • การเพิ่มความสว่างของภาพให้สูงสุด
    • ความสอดคล้องของภาพถ่ายในหลายมุมมอง
    • การลดขนาดไฟล์
    • การสุ่มตัวอย่างพิกเซล
  3. MVS แตกต่างจากผลลัพธ์ของโครงสร้างจากการเคลื่อนไหวอย่างไร
    • MVS ใช้งานได้กับภาพเดียวเท่านั้น
    • MVS ละเว้นตำแหน่งกล้องโดยสิ้นเชิง
    • MVS สร้างความลึกต่อพิกเซลที่หนาแน่น ในขณะที่ SfM ให้คลาวด์แบบจุดกระจาย
    • MVS ส่งสัญญาณเสียงแทนรูปทรงเรขาคณิต
  4. สเตอริโอแบบ Plane-sweep ทำหน้าที่อะไร?
    • หมุนกล้องตามร่างกาย
    • กวาดฝุ่นออกจากเลนส์
    • จัดเรียงภาพตามตัวอักษร
    • กวาดระนาบเสมือนจริงผ่านความลึกและค้นหาจุดที่มุมมองสอดคล้องกันมากที่สุด
  5. พื้นผิวใดที่ท้าทายเป็นพิเศษสำหรับ MVS
    • พื้นผิวที่ไม่มีพื้นผิวและสะท้อนแสง
    • พื้นผิวที่ทาสีด้วยสีสันสดใส
    • พื้นผิวหินหยาบ
    • อะไรก็ได้ที่มีขอบคม
  6. วิธีการเรียนรู้เช่น MVSNet ปรับปรุงบน MVS แบบคลาสสิกได้อย่างไร
    • พวกเขาไม่จำเป็นต้องใช้กล้องใดๆ
    • พวกเขาเรียนรู้การจับคู่ต้นทุนและการปรับความลึกให้เป็นมาตรฐานตั้งแต่ต้นจนจบเพื่อความแข็งแกร่งที่มากขึ้น
    • ใช้งานได้เฉพาะในระดับสีเทาเท่านั้น
    • พวกเขาสร้างภาพ 2D แทนที่จะเป็น 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