Вікторина, пов’язана з посібником · важко Рівень

Стереотест із кількома переглядами

Перевіряє вхідні дані позиції камери MVS, узгодженість фото, оцінку глибини, розріджену та щільну геометрію та різницю в коригуванні пакетів.

Пов'язані напрямні шляхиMulti View Stereo
Питання 1 з 8

Що Multi-View Stereo зазвичай припускає вже відомим до його запуску?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що Multi-View Stereo зазвичай припускає вже відомим до його запуску?
    • Камера позує для кожного зображення
    • Остаточна 3D сітка
    • Кольори кожної поверхні
    • Назви об'єктів сцени
  2. Який основний принцип використовує MVS для пошуку правильних 3D-точок?
    • Максимальна яскравість зображення
    • Узгодженість фотографій у кількох переглядах
    • Мінімізація розміру файлу
    • Випадкова вибірка пікселів
  3. Чим MVS відрізняється від результату Structure from Motion?
    • MVS працює лише з одним зображенням
    • MVS повністю ігнорує положення камери
    • MVS створює щільну глибину на піксель, тоді як SfM створює розріджену хмару точок
    • MVS виводить звук замість геометрії
  4. Що робить стереосистема з розгорткою площини?
    • Фізично повертає камеру
    • Змітає пил з лінзи
    • Сортує зображення за алфавітом
    • Проглядає віртуальну площину по глибині та знаходить, де краєвиди збігаються
  5. Які поверхні є особливо складними для MVS?
    • Безфактурні та світловідбиваючі поверхні
    • Яскраво пофарбовані поверхні
    • Шорсткі кам'яні поверхні
    • Все, що має гострі краї
  6. Як методи навчання, такі як MVSNet, покращують класичний MVS?
    • Вони позбавляють від будь-яких камер
    • Вони вивчають узгодження витрат і наскрізну регулярізацію глибини для більшої надійності
    • Вони працюють лише у відтінках сірого
    • Вони створюють 2D зображення замість 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