相机标定是估计内参和外参参数的过程，本文提出了一种基于几何约束的损失函数来测量相机参数，并通过神经网络学习框架进行优化，实验结果表明，在合成和实际数据集上，相比最先进的基准模型，我们的方法在所有参数上都有所改进。

Feb, 2024

提出了一种用于通用相机模型的标定流程，该流程完全自动化，易于使用，可作为参数标定的替代方案，并且可以提高标定精度。该模型应在可能的情况下更优先于参数模型，并且该标定流程已在链接中公开发表。

Dec, 2019

该论文提出了一种姿态选择方法，利用自我识别校准模式实时跟踪相机姿态从而指导用户到达目标姿态，使用不确定性传播避免一些不准确的姿态，并有助于提高相机校准的准确性，其可行性和优越性得到了实验证明。

Jul, 2019

提出了一种相机标定方法，通过后方投影模型先校准参数，然后回归到前方投影模型中，最终在绝对姿态估计任务上得出最准确的标定参数。

Sep, 2021

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

本文研究了实时情况下给定测量不确定性的概率参数估计的挑战，并提出了一般的公式，并应用于自主视觉着陆系统的姿态估计。作者提出了三种概率参数估计方法：最小二乘采样法、线性近似法和概率编程估计器。通过引入多变量正态分布的新的闭式表达式，评估了这些估计器的校准度和锐度。实验研究在各种噪声条件下比较了这三种估计器。结果表明，线性近似估计器可以以显著更快的速度产生锐度高且校准度良好的姿态预测，但在某些情况下可能会产生过于自信的预测。此外，作者还证明这些估计器可以与卡尔曼滤波器结合，实现持续的姿态估计，在跑道着陆过程中观察到了 50％的锐度改善，同时保持较好的校准度。本研究为将基于数据驱动的计算机视觉模型集成到复杂安全关键飞机系统中提供了贡献，并为制定这类系统的严格认证指南奠定了基础。

Jul, 2024

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

优化深度神经网络中的不确定性估计是安全关键应用中的一个重要问题。本文提出了利用准确度与不确定性之间的关系进行优化的方法，通过可微的 loss 函数来实现模型的不确定性校准，结果显示比现有的方法在大规模图像分类任务中表现的更好

Dec, 2020

利用 eWand 方法，使用闪烁 LED 代替印刷或显示的图案进行快速、易用的内外参数标定，以提高多摄像头的准确校准。

Sep, 2023

我们提出了一种基于几何的方法来估计不确定性，它可通过后处理模型校准来实现，避免了重新训练和更改模型，经多个数据集和模型的详细评估显示出更好的不确定性估计，并且可在接近实时应用中使用。

Jun, 2022