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。
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。
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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