本研究提出了一种新的序贯估计方法来解决光度参数的校准问题，该方法在 Photometric Calibration 中具有高精度，解决了现有方法的优化问题。实验证明，这种方法适用于直接法和在线应用。

May, 2023

提出了一个包含 50 个具有独特多样性的现实中场景的数据集，用于评估单目视觉里程计和 SLAM 方法的跟踪精度，并在此基础上提出了一个相机光度校准的简单方法以及一种非参数化暗角校准方法，该研究详细评估了两种现有方法（ORB-SLAM 和 DSO）在该数据集上的效果。

Jul, 2016

通过定量评估直接、特征和半直接方法的最新技术，提供了社区有用的实用知识，以便更好地应用现有的方法和开发新的 VO 和 SLAM 算法，并提出了可能的改进现有方法的建议。

May, 2017

本研究探索了一种数据驱动的方法，通过训练一个深度卷积神经网络模型以预测性地调整相机增益和曝光时间参数，从而实现在光照变化下得到最佳图像质量，以用于视觉测距和视觉同时定位和映射。研究通过实验验证了该方法的优越性。

Feb, 2021

本文提出一个通过联合光度优化密集几何和摄像机参数，用于 3D 重建的框架，使其比特征点 bundle 调整更具指标重建精度，该框架可以应用于大规模的数据集，并且在面对不同的光照和相机内参时有更好的表现。

Aug, 2020

所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值，而无需校准目标、地面真实训练数据和昂贵的离线优化。

Jun, 2023

提出了一种新的直接稀疏视觉里程计公式，将全直接概率模型（最小化光度误差）与所有模型参数（包括几何结构 - 在参考帧中表示为反深度 - 和相机运动）的一致联合优化相结合。

Jul, 2016

提出了一个深度学习框架来实时学习相机的内部和外部校准，该框架自我监督，无需标注或监督学习校准参数，并且无需物理目标或在特殊平面表面上驾驶车辆。

Aug, 2023

本研究提供了两种新方法来估计相机和全局姿态传感器之间的准确可靠的时空校准参数。第一种是高精度和一致性的离线基于目标的方法，通过同时优化时空参数、摄像机内参和轨迹。第二种是无需标定目标的在线方法，实现了估计时空参数的时变性，并进行了详细的可观测性分析，从而为校准提供了可解释的指导原则。最后，通过手持实际数据集的评估，验证了两种方法的准确性和一致性，这些数据集在传统手眼校准方法中无法工作。

Mar, 2024

通过利用街景图像重建度量的三维模型并精确校准 100 多个全球交通摄像头，本研究展示了一个可扩展的框架，以解决基于野外摄像头的精确校准挑战，并通过提取信息进行交通分析，从而开发出利用室外摄像头进行自动分析的潜力。

Nov, 2023