最小视角自标定
该论文提出了从场景平面引出的五个二维 - 二维图像点对应所能获得的对于半广义单应性的第一种最小解决方案。其中一个解决器假设透视相机完全校准,而另一个解决器则估计未知的焦距和绝对姿态参数。
Mar, 2021
该研究提出了一种基于 RANSAC 框架求解几何优化问题的方法,通过设计一种学习策略,可以避免计算大量伪解,从而有效地解决了几何优化问题的难点。通过在相对位姿问题中使用该方法,在每个视图中使用四个点进行最小松弛,可以快速精确地计算出相机之间的相对位置。
Dec, 2021
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
本文提出了一种仅使用两个仿射对应来估计两个半标定相机之间的公共焦距和基本矩阵的最小解法。其利用局部仿射变换导出的线性约束扩展了点对应技术,并通过隐变量技术高效地求解多元多项式系统。同时,为了选择出最优解,引入了新颖的条件和根选择技术,在高噪声情况下表现优异。该算法在合成数据和 104 对公开的实际图像上得到验证,论文中还包括了 MATLAB 实现。
Jun, 2017
使用 SIFT 检测器获取的五个旋转不变特征对,估计两视图中的基础矩阵,首先从三个对应点估计一个单应性矩阵,然后从该矩阵和另外两个位置一般的点对中获取基本矩阵,结合 Graph-Cut RANSAC 等鲁棒估计器优于其他最先进的算法,在准确性和所需迭代次数方面得到验证。作为潜在应用,我们展示了使用所提出的方法使得两视图多运动估计更加准确。
Mar, 2018
本文介绍了一个使用计算代数和黎曼几何工具来分析多视角几何中最小问题的数值条件的通用框架。我们从标准的 5 点或 7 点随机采样一致性(RANSAC)算法在相对姿态估计时的失败情况出发,即使在没有离群值和足够数据支持假说的情况下。我们认为这些情况是由于 5 点和 7 点最小问题的固有不稳定性引起的。我们将我们的框架应用于表征造成条件数无穷大的世界场景,以及直接在图像数据中表征病态。该方法产生了在求解最小问题之前评估条件数的计算测试。最后,合成和真实数据的实验证明,RANSAC 不仅可以去除离群值,还可选择具有良好条件的图像数据,如我们的理论所预测。
Oct, 2023
该研究提出了一种新的最小解算器系统性生成方法,通过消除不出现在线性方程的未知数并通过升级实现线性化对完全非线性问题问题的求解,我们成功地提出了三个部分标定相机相对姿态计算问题的更有效解决方案,同时还发现了部分标定相机的基础矩阵的新约束关系。
Mar, 2017
本文提出了一种简单且实用的解决方案,在多视角重建中使用基于联合几何和光度约束的能量最小化,利用一个共置的摄像机 - 光线扫描仪设备来克服建立跨视觉对应的问题。我们的优化算法可以从随机初始化中稳健地全局最优地恢复形状和反射率。实验结果验证了我们方法的有效性并讨论了未来的可能扩展。
May, 2021
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