Rehber bağlantılı sınav · Orta Seviye

DepthHer Şey Monoküler Derinlik Testi

Derinlik Her Şeyin öğretmen-öğrenci veri motorunu, DINOv2 kodlayıcısını, göreceli derinlik çıktılarını ve V2'deki sentetik veri iyileştirmelerini inceleyin.

İlgili kılavuz yollarıDerinlik Monoküler Derinlik
Soru 1 arasında 8

'Monoküler' derinlik tahmini ne anlama geliyor?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. 'Monoküler' derinlik tahmini ne anlama geliyor?
    • Tek bir görüntüden derinliği tahmin etme
    • Stereo görüş için iki kamera kullanma
    • LiDAR sensörü kullanma
    • Ses dalgalarıyla derinlik ölçümü
  2. Güçlü bir genelleme elde etmek için DepthAnything'in ana stratejisi neydi?
    • Küçük, yüksek kaliteli bir veri kümesini elle etiketleme
    • Yaklaşık 62 milyon otomatik etiketli etiketsiz görsel üzerine eğitim
    • Yalnızca sentetik oyun motoru verilerini kullanma
    • Stereo kamera çiftlerine güvenme
  3. DepthAnything hangi omurga kodlayıcıyı temel alıyor?
    • Bir ResNet-18 CNN
    • Tekrarlayan bir LSTM ağı
    • DINOv2 görüntü transformatörü
    • Bir YOLO dedektörü
  4. Orijinal DepthAnything öncelikle ne tür bir derinlik sağlıyor?
    • Metre cinsinden tam mesafe
    • Yalnızca ikili ön plan/arka plan
    • GPS koordinatları
    • Göreceli derinlik (daha yakın ve daha uzak)
  5. DepthAnything V2 ince ayrıntıları ve kenarları nasıl geliştirdi?
    • Öğretmeni mükemmel temel gerçeğe sahip sentetik veriler konusunda eğiterek, ardından bunları damıtarak
    • Daha gerçek gürültülü etiketler ekleyerek
    • Transformatör kodlayıcıyı çıkararak
    • Daha düşük çözünürlüklü girişler kullanarak
  6. Hangi uygulama monoküler derinlik haritalarının tipik kullanımı DEĞİLDİR?
    • Portre modunda arka plan bulanıklığı
    • Ağ trafiğini şifreleme
    • ControlNet derinlik koşullandırma
    • 2D'den 3D'ye fotoğraf dönüştürme
  7. What dense prediction head does the Depth Anything guide pair with its DINOv2 encoder?
    • A Marching Tetrahedra mesh extractor
    • A CLIP text-image similarity head
    • A DPT-style dense prediction head
    • A causal language-model decoder
  8. How does Depth Anything V2 use a teacher model with unlabeled real photos?
    • The teacher converts each photo into a 3D mesh
    • The teacher supplies only image captions to a language model
    • The teacher replaces all synthetic depth labels with manually measured distances
    • The teacher generates pseudo-depth labels that are used to train student models