引導式測驗 · 硬 等級

多視圖立體測驗

檢查 MVS 相機姿態輸入、照片一致性、深度估計、稀疏幾何與密集幾何以及捆綁調整差異。

相關引導路徑多視圖立體
問題 1 的 8

多視圖立體通常假設在開始之前已知什麼?

預覽每個問題8 問題

當您參加測驗時,就會出現答案和解釋。

  1. 多視圖立體通常假設在開始之前已知什麼?
    • 相機為每張影像擺出姿勢
    • 最終的 3D 網格
    • 每個表面的顏色
    • 場景中物體的名稱
  2. MVS 使用什麼核心原理來找到正確的 3D 點?
    • 最大化影像亮度
    • 多個視圖中的照片一致性
    • 最小化文件大小
    • 像素的隨機取樣
  3. MVS 與 Structure from Motion 的輸出有何不同?
    • MVS 僅適用於單一影像
    • MVS 完全忽略相機位置
    • MVS 產生密集的每像素深度,而 SfM 產生稀疏的點雲
    • MVS 輸出音訊而不是幾何圖形
  4. 平面掃頻立體聲有什麼作用?
    • 物理旋轉相機
    • 清除鏡頭上的灰塵
    • 按字母順序對影像進行排序
    • 掃描虛擬平面的深度並找到視圖最一致的地方
  5. 哪些表面對於 MVS 來說特別具有挑戰性?
    • 無紋理和反光錶面
    • 色彩鮮豔的塗漆表面
    • 粗糙的石材表面
    • 任何有鋒利邊緣的東西
  6. MVSNet 等基於學習的方法如何改進經典 MVS?
    • 他們不再需要任何相機
    • 他們學習端到端的匹配成本和深度正則化,以提高穩健性
    • 它們僅在灰度下工作
    • 他們生成 2D 圖像而不是 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