本文提出一种基于 SLAM 和 CNNs 的结合框架，将 CNN-predicted depth 用于伪 RGB-D feature-based SLAM，同时将几何 SLAM 的 3D 场景结构和相机姿势注入到深度网络中，以实现更好的姿态和 3D 结构估计。实验表明，该框架在 KITTI 和 TUM RGB-D 数据集上优于先前的方法。

Apr, 2020

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

本文提出了一种名为 CaLiCa 的深度自校正网络，并针对针孔相机和 Lidar 自动进行校准。利用 KITTI 数据集的实验结果表明，通过单次推论可以实现 0.154 度和 0.059 米的精度，重投影误差为 0.028 像素。

Apr, 2023

本论文提出使用一个深度卷积神经网络直接推断相机标定参数，其优于各种其他方法，包括最近的基于深度学习的方法，并通过人类感知研究展示其实用性。

Dec, 2017

使用深度神经网络进行图像生成任务以提取高级特征，进而估计视觉里程碑的深度和位姿，同时利用光流和循环神经网络以及生成对抗网络改进深度和位姿的估计精度。

Sep, 2023

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

PseudoCal 是一种基于伪激光雷达概念的新型自校准方法，在自动驾驶车辆和移动机器人的上下文和约定中，能够独立于初始参数估计一次性完成校准，并解决现有方法无法解决的极端情况。

Sep, 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

本文提出了一种单目视觉里程计算法，它结合了基于几何方法和深度学习的思想，并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明，该算法具有较强的鲁棒性和良好的性能。

Sep, 2019

本文提出了一种用于一般相机的自校准算法，用于处理任意非线性失真，所提出算法采用了针孔模型、四阶径向失真和可以学习任意非线性相机失真的通用噪声模型。同时，为了实现几何一致性，使用了 Neural Radiance Fields，以及一种新的几何损失函数来处理复杂的非线性相机模型，通过在标准的实际图像数据集上验证，证明了我们的模型可以从头开始学习相机内参和外参，而无需 COLMAP 初始化。并且表明在可微分的方式下学习准确的相机模型可以提高 PSNR，这是一个易于使用的插件，可应用于 NeRF 变体以提高性能。

Aug, 2021