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

本文提出了一种基于深度学习的非 Lambert 场景无标定光度立体方法，该方法相对于之前依赖于特定反射率和光源分布假设的方法，能够确定未知任意反射率下观察未知变化光照方向的场景的形状和光源方向，通过两阶段的深度学习架构 SDPS-Net 来实现。 对合成和实际数据集的实验表明，我们提出的方法明显优于先前的非标定光度立体方法。

Mar, 2019

我们提出了一个神经几何解析器，通过学习使用单个图像进行机器场景的相机校准。相比之前仅依赖于神经网络得到的语义提示的神经网络方法，我们的方法同时考虑了语义和几何提示，从而显著提高了准确性。

Jul, 2020

通过利用全景图像的综合视角，我们提出了一种自监督学习的方法，通过构建当前深度预测的 3D 点云并在不同视角投影点云，或者对当前输入图像进行拉伸生成合成全景图，进而最小化合成图像估计的 3D 结构的差异，从而在机器人导航和无地图定位任务中展现了显著的性能提升，这将帮助实现实际基于全景图像的机器视觉系统的广泛应用。

Aug, 2023

本文提出了一种新型卷积方法，可以考虑相机参数，从而使神经网络学习到的模式具有校准感知能力，从而显著提高深度预测网络的泛化能力，并在不同相机模型下的训练和测试图像中明显优于现有技术。

Apr, 2019

本文介绍了一个 DP Depth/Normal 网络，通过收集超过 135K 张 DP 面部数据实现了 3D 面部几何重建，该网络具有自适应采样模块和自适应法线模块，可处理 DP 图像中的虚焦模糊区域，并实现了是取得最新的 DP-based 深度 / 法线估计方法的最优表现，同时也展示了该面部深度 / 法线估计在面部欺骗和光照方面的应用。

Nov, 2021

使用基于神经网络的图像重建，提出通用的事件相机标定框架，实现内在和外在标定，从而可以进行基于时间和基于帧的传感器之间的内外标定，并证明该方法在不同畸变模型和畸变参数下都非常准确。

May, 2021

本文提出了一种学习方法，使用卷积神经网络对相机自校准进行校正，以解决使用双视图几何方法自校准径向畸变时径向畸变和场景深度之间的歧义，该方法在 SLAM 应用中表现出与以前学习和手工方法相当或优异的性能。

Jul, 2019

本文提出了一种基于自编码器的无监督深度卷积神经网络学习框架，通过训练不需要预训练或注释的神经网络，为单视图深度预测提供了一种新的方法。

Mar, 2016

提出了一种从单幅图像中估计完整的标定参数集的方法，通过数字图像相关获得图像点和标定目标上物理点之间的对应关系，同时在先前评估了主点之后分别计算出有效焦距和外部参数，最终获得整个图像上密集均匀的无模型畸变图。

Mar, 2024