引导式测验 · 硬 等级
多视图立体测验
检查 MVS 相机姿态输入、照片一致性、深度估计、稀疏几何与密集几何以及捆绑调整区别。
问题 1 的 8
多视图立体通常假设在开始之前已知什么？
预览每个问题8 问题
当您参加测验时，就会出现答案和解释。
- 多视图立体通常假设在开始之前已知什么？
- 相机为每张图像摆出姿势
- 最终的 3D 网格
- 每个表面的颜色
- 场景中物体的名称
- MVS 使用什么核心原理来找到正确的 3D 点？
- 最大化图像亮度
- 多个视图中的照片一致性
- 最小化文件大小
- 像素的随机采样
- MVS 与 Structure from Motion 的输出有何不同？
- MVS 仅适用于单个图像
- MVS 完全忽略相机位置
- MVS 产生密集的每像素深度，而 SfM 产生稀疏的点云
- MVS 输出音频而不是几何图形
- 平面扫频立体声有什么作用？
- 物理旋转相机
- 清除镜头上的灰尘
- 按字母顺序对图像进行排序
- 扫描虚拟平面的深度并找到视图最一致的地方
- 哪些表面对于 MVS 来说特别具有挑战性？
- 无纹理和反光表面
- 色彩鲜艳的涂漆表面
- 粗糙的石材表面
- 任何有锋利边缘的东西
- MVSNet 等基于学习的方法如何改进经典 MVS？
- 他们不再需要任何相机
- 他们学习端到端的匹配成本和深度正则化，以提高鲁棒性
- 它们仅在灰度下工作
- 他们生成 2D 图像而不是 3D
- MVS 系统如何比较相邻视图之间的假设深度？
- 仅比较文件名
- 使用语言模型的困惑度 (perplexity)
- 扭曲图像块并测量它们的外观一致性，例如使用归一化互相关
- 计算相机元数据字段
- 在估计出每张图像的深度图后，MVS 可以用它们做什么？
- 将它们转换为语言标记
- 用标签替换相机位姿
- 丢弃所有跨视图信息
- 将它们融合为更密集的点云或网格，并过滤不一致之处