Bài kiểm tra có liên kết hướng dẫn · Cứng Cấp độ

Câu đố âm thanh nổi nhiều chế độ xem

Kiểm tra đầu vào tư thế của máy ảnh MVS, tính nhất quán của ảnh, ước tính độ sâu, hình học thưa thớt so với dày đặc và sự khác biệt giữa điều chỉnh bó.

Đường dẫn hướng dẫn liên quanÂm thanh nổi đa chế độ xem
Câu hỏi 1 của 8

Multi-View Stereo thường cho rằng điều gì đã được biết trước khi bắt đầu?

Xem trước mọi câu hỏi8 câu hỏi

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

  1. Multi-View Stereo thường cho rằng điều gì đã được biết trước khi bắt đầu?
    • Camera tạo dáng cho từng hình ảnh
    • Lưới 3D cuối cùng
    • Màu sắc của mọi bề mặt
    • Tên các đồ vật trong hiện trường
  2. MVS sử dụng nguyên tắc cốt lõi nào để tìm điểm 3D chính xác?
    • Tối đa hóa độ sáng hình ảnh
    • Tính nhất quán của ảnh trên nhiều chế độ xem
    • Giảm thiểu kích thước tập tin
    • Lấy mẫu pixel ngẫu nhiên
  3. MVS khác với đầu ra của Cấu trúc và Chuyển động như thế nào?
    • MVS chỉ hoạt động trên một hình ảnh duy nhất
    • MVS hoàn toàn bỏ qua vị trí camera
    • MVS tạo ra độ sâu dày đặc trên mỗi pixel, trong khi SfM tạo ra đám mây điểm thưa thớt
    • MVS xuất ra âm thanh thay vì hình học
  4. Âm thanh nổi quét mặt phẳng làm gì?
    • Xoay máy ảnh một cách vật lý
    • Quét bụi khỏi ống kính
    • Sắp xếp hình ảnh theo thứ tự bảng chữ cái
    • Quét một mặt phẳng ảo theo chiều sâu và tìm thấy nơi các góc nhìn phù hợp nhất
  5. Bề mặt nào đặc biệt thách thức đối với MVS?
    • Bề mặt không kết cấu và phản chiếu
    • Bề mặt sơn màu sáng
    • Bề mặt đá thô
    • Bất cứ thứ gì có cạnh sắc
  6. Các phương pháp dựa trên học tập như MVSNet cải thiện MVS cổ điển như thế nào?
    • Họ loại bỏ sự cần thiết của bất kỳ máy ảnh nào
    • Họ tìm hiểu chi phí phù hợp và quy chuẩn hóa độ sâu từ đầu đến cuối để có độ bền cao hơn
    • Chúng chỉ hoạt động ở thang độ xám
    • Họ tạo ra hình ảnh 2D thay vì 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