本研究提出了一种端到端多环境协作深度神经网络，用于从单个鱼眼图像中消除畸变，采用深度学习方法自动估计畸变参数并构建合成数据集进行训练，实验表明，在合成和真实数据集上，该模型明显优于当前最先进的方法。

Apr, 2018

本文提出了一种采用端到端的深度学习方法来对鱼眼图像进行矫正以及同时校准相机内在和畸变参数的方法，该方法能够在高分辨率下具有鲁棒的表现，并且利用生成对抗网络（GAN）实现了快速图像矫正模块和校准模块。

May, 2023

使用摄像机校准来改变卷积核并适应畸变，使得卷积的感受野类似于透视图像中的标准卷积，从而提高在深度估计和语义分割中校准鱼眼镜头网络的性能。

Feb, 2024

我们提出了第一个通用框架，用于自动纠正单个输入图像中不同类型的几何畸变。我们的方法采用卷积神经网络（CNN），通过使用大型合成畸变数据集进行训练，以预测扭曲图像和校正图像之间的位移场。模型拟合方法使用 CNN 输出估计畸变参数，实现更准确的预测，并使用高效，高质量的重采样方法生成最终的校正图像。实验结果表明，我们的算法优于传统的校正方法，可实现有趣的应用，如畸变转移，畸变夸张和共同发生的畸变校正。

Sep, 2019

通过提出 Rectified Convolutions (RectConv) 方法，不需要任何重新训练即可将预训练卷积网络适应于新的非透视图像，从而实现对两个公开数据集中的鱼眼图像进行分割和检测。

Apr, 2024

提出了一种通用的自我监督的尺度感知管道用于从未经矫正的单目视频中估计深度、欧几里得距离和视觉里程计，该方法可以避免长焦变形输入的失真，不会受视野范围缩小、重新采样畸变、校准误差敏感的副作用影响，性能优越。

Jul, 2020

使用鱼眼镜头进行头部姿态估计，提出了一种新的方法，通过图像中头部位置的知识来降低鱼眼畸变的负面影响，使用卷积神经网络从鱼眼图像直接估计头部姿态，无需校正或标定操作，实验证明与其他最先进的单阶段和双阶段方法相比，我们的网络显著提高了头部姿态估计的准确性。

Feb, 2024

本文提出了一种新的方法来纠正偏离的鱼眼图像，通过学习失真向量映射来独立识别每个像素点的局部失真特征，结合预训练和微调训练范式以及数据增广方法，在纠正中心和偏离的鱼眼图像方面取得了显著的性能提升。

Jun, 2024

基于自监督表示学习，介绍了一种用于鱼眼图像矫正的简单框架 SimFIR。通过将鱼眼图像分成多个图块并提取其表示，结合鱼眼模型关联不同的图块与其特定的畸变模式，并设计了一种创新的统一畸变感知预训练任务来学习精细畸变表示。在下游矫正任务上，转移性能显著提升，实验证明了该方法在真实鱼眼图像上的优越性和强大的泛化能力。

Aug, 2023

本文提出了一个特征级的校正方案，并引入一个平行互补结构来解决畸变矫正网络中的模糊性能和模糊纠正等问题。实验结果证明了该方法的优越性。

Mar, 2021