本文提出了一种七自由度的增强方法，将平面图像转化为鱼眼图像，提供了一种通用的解决方案，以改善模型的精度和鲁棒性。该模型适用于不同的鱼眼相机，提供了特定参数设置，并在实际鱼眼图像上取得了令人满意的结果。

Jan, 2020

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

本文提出了一种新的超限变形卷积参数学习方法，即使用超平面空间中的核形状来适应鱼眼图像，改进了现有的变形核方法。实验结果表明，该方法比先前的方法在鱼眼图像上的适应能力更强，使得 CNN 在鱼眼图像适应任务中性能更佳。

Mar, 2022

本研究针对自监督学习方法在鱼眼和针孔相机等复杂投影模型下无法很好地应用于距离估计的问题，提出了一种新的多任务学习策略。通过引入自注意力编码器和用鲁棒的语义特征指导解码器的距离估计网络结构，我们成功地将性能提升了 25％。同时，采用去除超参数调节的广义鲁棒损失函数和语义掩蔽策略来缓解动态物体违反静态世界假设所引起的估计误差。该方法不需要外部尺度估计，并且在 KITTI 数据集和针孔模型上达到了自监督方法的最佳性能水平。

Aug, 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

通过创建综合道路类型、天气和光照条件的合成数据集，并使用具有失真感知学习的鱼眼摄像机，将基于 BEV 的语义分割通用化，进一步引入遮挡推理模块，以提高 BEV 空间的性能。

Apr, 2024

介绍了针对鱼眼相机照片的新任务 —— 鱼眼语义完成（FSC），以及设计的新算法 FishDreamer。FishDreamer 利用成功的 ViTs，通过一种新颖的极坐标感知交叉注意力模块（PCA）来实现密集背景信息的利用和语义一致性的内容生成，并重视不同的极坐标分布。代码和数据集在该 URL 公开。

Mar, 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

提出了一种新颖的方法，结合基于变压器的图像增强框架和集成学习技术，解决城市交通监测系统中基于鱼眼镜头相机的问题，提高了系统的有效性和准确性，为智能交通管理系统的未来作出了重要贡献。

Apr, 2024

鱼眼相机的畸变修正方法进行了综述，包括多项式畸变模型、全景映射、网格映射、直接方法和基于深度学习的方法。文章强调了每种方法的优点、限制和最新进展，以帮助读者根据自己的具体需求做出明智的决策。

Dec, 2023