Exam
选择题（不定项）
-
如何调节景深使得背景虚化
- 小光圈、大焦距、靠近物体
-
优化算法比较
- 判断哪些变换是线性变换
- 根据图像梯度图判断角点：Gx, Gy都得大
- SIFT特征的不变性和匹配算法
- 平移、旋转、缩放、光强
- 匹配算法：比率测试、相互最近邻
- 被动视觉测量的设备有哪些
- Marching Cubes
- 图像曲线校正（亮度、对比度关系）
判断题
- 对于outliers，L1 loss 比 L2 更鲁棒✅️
- SfM可以在精准尺度上恢复3D稀疏结构：❌️
- 通过多视图几何（三角测量）恢复3D点时，只能确定点与点之间的相对深度比例，而无法确定这个比例的绝对物理单位
- Sobel用来检测边缘✅️
- 视差和深度成反比✅️
- GAN的判别器是判断输出图像和目标图像的相似度❌️
填空题
- 给了一个卷积核，问这个卷积核对图像卷积的效果
- 旋转矩阵的自由度
- 2维1；3维3
- 降采样时锯齿和摩尔纹出现的原因
- 采样频率不够，比如小于2f_max，导致高频部分被解释为低频，高频信息混叠成虚假的低频周期性伪影
- 给出外参矩阵，求相机坐标系原点在世界坐标系下的表示
- 外参矩阵为4*4，3*3的旋转矩阵R位于左上角，
- 给出一个图像的内参矩阵，求图像等比放大之后的内参矩阵
- 内参矩阵为3*4
- PnP求解的是什么类型的问题
- 给定2D,2D对应点，求
- BA的目标函数是什么：最小化m张图片中n个点的重投影误差
- \(\Sigma_{i=1}^{m}\Sigma_{j=1}^n\)
- Possion重建的输入和输出类型
- 深度图->占用体(occupancy volume)
-
原图像是21×21的，kernel size =5，padding=2，stride=4，问卷积输出的特征图大小
-
分别写出一个单阶段的和一个双阶段的目标检测算法
简答题
1. 去模糊
(1) 给了两张图片，分别解释模糊原因（失焦模糊和运动模糊）
(2) 解释去模糊的反向滤波方法和优化方法
2. 机器学习
(1) 指定一个3层的全卷积神经网络，写出输入和输出之间的数学表达式并解释符号含义
(2) 卷积神经网络相比全卷积的优势
(3) 如何解决过拟合
3. 双目立体视觉
(1) 给出左边图片的一个点以及基础矩阵，问右边图片对应的对极线的表达式
(2) 什么时候对极线是水平线 - 相机的像平面相互平行，并且也和基线平行 - 两台相机中心的高度相等 - 焦距相等 (3) 描述深度估计过程
-
相机标定：获取相机内参矩阵 \(K\) 和外参（旋转 \(R\)、平移 \(t\)）。
-
立体图像校正：将左右图像投影到共面行对齐的平面上，使得对应点位于同一水平线。
-
立体匹配：对于左图像每个像素，在右图像同一行上寻找匹配点，计算视差 \(d = u_l - u_r\)。
-
深度计算：根据三角测量公式，深度 \(Z = \frac{f \cdot B}{d}\)，其中 \(f\) 为焦距（像素单位），\(B\) 为基线长度（同一单位），\(d\) 为视差。