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

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

该研究提出了一种基于球面卷积网络的方法来处理 360° 全景图像，该方法可以有效地提取特征并利用预先训练的卷积神经网络，从而大大降低了计算量和提高了准确性。

Aug, 2017

本文提出了一种基于深度学习的方法来同时校准鱼眼镜头的内部参数和矫正失真的图像，并进一步针对其非线性失真分布和特定几何形状设计了一种多尺度感知的神经网络，通过新的数据集测试发现该方法相比于其他先进算法能在合成和真实数据的鱼眼图像上较好地矫正并准确估计失真参数。

Apr, 2019

该研究介绍了构建球形 CNN 的基本模块，该模型可用于解决分子回归和全球气候建模等领域的问题，并通过实验证明了其计算效率、数值精度和有效性。

Jan, 2018

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

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

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

本文介绍了核变换网络，它可以有效地将卷积核从透视图图像转换为 360 度图像的等矩形投影。与现有方法不同，它允许模型转移，并成功地实现了在识别任务上的应用，同时提高了球面卷积的性能。

Dec, 2018