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

基于自监督表示学习，介绍了一种用于鱼眼图像矫正的简单框架 SimFIR。通过将鱼眼图像分成多个图块并提取其表示，结合鱼眼模型关联不同的图块与其特定的畸变模式，并设计了一种创新的统一畸变感知预训练任务来学习精细畸变表示。在下游矫正任务上，转移性能显著提升，实验证明了该方法在真实鱼眼图像上的优越性和强大的泛化能力。

Aug, 2023

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

提出了一种使用正交发散鱼眼相机进行去畸变和深度估计的立体视觉系统方法，通过使用两个虚拟针孔相机，可以创建一个立体对，并通过模拟和实验证明了该方法在去畸变和深度估计准确性方面的有效性。

Jul, 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

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

提出了一种通用的自我监督的尺度感知管道用于从未经矫正的单目视频中估计深度、欧几里得距离和视觉里程计，该方法可以避免长焦变形输入的失真，不会受视野范围缩小、重新采样畸变、校准误差敏感的副作用影响，性能优越。

Jul, 2020

本文提出了一种新的基于旋转深度恢复（DfR）算法的图像校正解决方案，并采用自适应策略减少几何图像畸变，实验结果表明该方法有效性和效率均优于现有方法。

Jul, 2023

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

本文提出一种方法来塑造一个鱼眼特定的表示空间，以反映这种数据模态中存在的畸变和语义上下文之间的相互作用，该方法向模型提供了关于畸变和语义上下文之间相互作用的学习方法，并应用于目标检测任务中，从而在平均精度上实现了 1.1% 的性能提升，并超过了其他现有的表征学习方法 0.6% 的 性能。

Apr, 2023