CVPRMay, 2024

MULi-Ev：保持未受干扰的 LiDAR 事件校准

PDF
TL;DRMULi-Ev 是首个基于深度学习的在线框架，专为事件相机和 LiDAR 的外部校准而设计，通过实时校准调整来维持传感器对准度，在自动驾驶中能够实现 LiDAR 和事件相机的无缝集成，提高校准准确性，并在移动平台上树立了集成 LiDAR 和事件相机的新标准，从而增加了事件感知系统的安全性，可靠性和整体性能，并在实际部署和有效性方面取得了重要进展。
发现论文，激发创造
  • 鱼眼相机和激光雷达连续在线外部标定

    所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值，而无需校准目标、地面真实训练数据和昂贵的离线优化。

    Jun, 2023

  • 面向鲁棒的事件引导低光图像增强：一个大规模真实世界事件图像数据集和新方法

    利用机械臂轨迹追踪技术，构建了一个室内外真实场景的大规模事件图像数据集，提出了一种基于事件引导的适用于真实低光场景的图像增强方法 EvLight，通过多尺度整体融合分支和信噪比引导的区域特征选择策略，显著超越了基于帧的方法。

    Apr, 2024

  • 在线目标无关 LiDAR - 相机外参标定：基于跨模态掩膜匹配

    基于大视野模型（LVMs）的跨模态掩模匹配（C3M）算法，具备足够可靠的匹配能力，以实现在各种具有挑战性场景中的强韧且准确的在线、无目标式 LiDAR - 相机外参标定（LCEC）问题。

    Apr, 2024

  • 自主驾驶车辆完整激光雷达 - 相机自校准

    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

  • RobustCalib：具有一致性学习的鲁棒激光雷达 - 相机外参标定

    在这篇论文中，我们提出了一种新的方法来解决激光雷达 - 相机外部参数标定问题，通过基于一致性学习的隐式重新标定，通过引入外观一致性损失和几何一致性损失来实现激光雷达和相机之间的一致性，进而提高对各种场景的适应性，并在推理过程中实现简单高效的表达，通过全面实验验证了我们的方法的准确性和鲁棒性，为进一步推动该领域的研究与开发，我们将发布我们的模型和代码。

    Dec, 2023

  • 从混沌到校准：一种基于几何互信息的无目标相机 - LiDAR 外部标定方法

    无需训练数据、人工设计特征或离线优化的无目标外参校准算法，能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中，利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。

    Nov, 2023

  • 多车立体事件相机数据集：用于三维感知的事件相机数据集

    本文介绍了一个新的被动感知方式 —— 事件相机，可以完成多种 3D 感知任务，并提供了一个涵盖各种环境和照明水平的大型数据集，包括了事件流、灰度图像和 IMU 读数，并提供了真确的姿势和深度图像。同时还提供了来自基于框架的立体相机系统的同步灰度图像和 IMU 读数的比较。

    Jan, 2018

  • 从事件中学习单目浓密深度

    本文介绍了事件相机及其与传统图像传感器的区别，讨论了基于学习的方法如何应用于事件数据，提出了使用循环架构来预测单眼深度的新方法，并在 CARLA 模拟器数据集上进行了预训练并在 MVSEC 上进行了测试，结果表明平均深度误差减小了 50%。

    Oct, 2020

  • EVI-SAM: 鲁棒、实时、紧耦合的事件 - 视觉 - 惯性状态估计和三维稠密建图

    提出了一种使用单目事件相机解决 6 自由度姿态跟踪和 3D 重建问题的 EVI-SAM 方法，通过深度图、短浮点函数融合和基于事件的映射方法实现鲁棒的姿态跟踪和稠密地图生成，在挑战性场景中展现卓越的性能表现。

    Dec, 2023

  • SceneCalib: 自动无标定目标的边缘计算机视觉和激光雷达校准

    本文介绍了 SceneCalib 这一新颖的方法，该方法能够同时自我校准多摄像头与激光雷达传感器之间的外参和内参，无需专门设计标定目标和人为干预，能够适应许多户外环境。此外，该方法还能够通过明确交叉摄像头约束来确保摄像头到激光雷达的外参和摄像头到摄像头的外参是一致的。

    Apr, 2023