相机标定中畸变圆锥的无偏估计器
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
通过在2D像素空间上使用平滑分布，而不是在3D物理空间中进行采样，增强了鲁棒性认证的效率，并在融合车辆运动空间的均匀分区技术的基础上，实现了对3D-2D投影转换的鲁棒性认证。
Sep, 2023
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
研究了基于点对应关系推断图像对之间摄像机运动的问题，提出了一个基于最大似然问题的量测模型和两步算法，证明了该算法具有渐近统计性质，并在稠密点对应情况下具有显著优势。
Mar, 2024
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
本研究解决了单图像标定中缺乏3D几何约束所导致的准确性不足的问题。提出的GeoCalib方法通过优化过程结合3D几何的普适规则，使得深度神经网络在估计相机参数时更具鲁棒性和准确性。实验结果表明，GeoCalib在多个基准测试中超越了现有的经典和学习方法，具有更好的性能和应用潜力。
Sep, 2024
本研究解决了光度束调整（PBA）在非朗伯环境中面临的光度不一致性问题，该问题严重影响现有PBA方法的可靠性。我们提出了一种新颖的基于物理的PBA方法，引入了与材料、光照和光路径相关的权重，从而更准确地估计相机姿态和3D几何体。研究结果显示，该方法在准确性方面优于现有方法。
Sep, 2024
本研究解决了传统相机标定在多景图像中的局限性，提出了一种新颖的方法，只需一幅球面镜的图像即可实现高精度标定。研究显示，镜面反射提供了超出图像框架的场景信息，为构建简单的光学立体系统提供了潜在应用。实验结果证明该方法在合成和现实世界数据上的可行性与准确性。
Sep, 2024