مونوکولر ڈیپتھ اسٹیمیشن کوئز

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

1. کیا گہرائی کا تخمینہ 'مونوکولر' بناتا ہے؟
   • یہ کسی ایک تصویر یا کیمرے سے گہرائی کا اندازہ لگاتا ہے، سٹیریو یا سینسر سے نہیں۔
   • اس میں انسانی آنکھوں کی طرح دو کیمروں کا استعمال کیا گیا ہے۔
   • یہ صرف سیاہ اور سفید تصاویر پر کام کرتا ہے۔
   • اس کے لیے کیمرہ سے منسلک لِڈر سکینر کی ضرورت ہوتی ہے۔
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. مونوکولر نیٹ ورکس گہرائی کے لیے کس کیو پر براہ راست انحصار نہیں کرتے ہیں؟
   • اشیاء کا رشتہ دار سائز
   • ساخت کے میلان اور تناظر
   • شمولیت (جو چیز دوسرے کو روکتی ہے)
   • دو بیک وقت کیمروں کے درمیان سٹیریو تفاوت
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