Sep, 2024

GeoCalib：通过几何优化学习单图像标定

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 深度单张图像相机标定的感知度量

    本论文提出使用一个深度卷积神经网络直接推断相机标定参数，其优于各种其他方法，包括最近的基于深度学习的方法，并通过人类感知研究展示其实用性。

    Dec, 2017

  • 自标定中的退化问题再审视及未标定SLAM的深度学习解决方案

    本文提出了一种学习方法，使用卷积神经网络对相机自校准进行校正，以解决使用双视图几何方法自校准径向畸变时径向畸变和场景深度之间的歧义，该方法在SLAM应用中表现出与以前学习和手工方法相当或优异的性能。

    Jul, 2019

  • 单图像摄像机标定的神经几何解析器

    我们提出了一个神经几何解析器，通过学习使用单个图像进行机器场景的相机校准。相比之前仅依赖于神经网络得到的语义提示的神经网络方法，我们的方法同时考虑了语义和几何提示，从而显著提高了准确性。

    Jul, 2020

  • 无地图视觉重定位：基于单张图像的度量位姿

    提出了一种无需建立场景特定三维地图的场景单图参考图像重定位技术，并通过对世界范围内的小型艺术品，如雕塑、壁画和喷泉的构建新数据集，测试了现有算法的可行性及基准结果，并发现无地图重定位仍需新型创新技术的挑战。

    Oct, 2022

  • 全球定位: 利用相邻和远源相机的相对时空几何约束

    从单个图像中估计相对于全局框架的六自由度相机姿态的问题，我们提出了一种利用相对空间和时间几何约束的新颖网络来引导定位的深度网络的训练方法。利用相邻相机帧和场景中时空距离较远的相机帧获得的空间和时间相对姿态约束，我们的方法能够学习到在只有少量或非常稀疏的地面真实3D坐标可用的情况下进行定位。我们在三个常见的视觉定位数据集上评估了我们的方法，并证明其优于其他直接姿态估计方法。

    Dec, 2023

  • 从姿态中隐式学习场景几何用于全局定位

    通过利用少量的标签数据（即相机姿态），本文提出了一种学习方法，将这些标签与刚性对齐相结合，学习场景的三维几何表示，并将其用于估计相机的六自由度姿态，从而提高了定位的准确性。

    Dec, 2023

  • 基于旋转和投影矩阵的几何约束相机标定

    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

  • 深度学习框架中的几何约束：综述

    立体光测法是一种新兴的场景理解技术，本文调查了基于几何和深度学习的框架之间的重叠点，并比较了几何约束与深度学习框架中用于深度估计等问题的集成；还提出了一个针对现代深度学习框架中流行几何约束的新分类法，并提出了一些深入观察和潜在的未来研究方向。

    Mar, 2024

  • 跨视角地理定位：综述

    本文针对跨视域地理定位领域的前沿方法、技术和挑战进行了综述，着重介绍了基于特征和深度学习策略。研究涵盖了建立不同视点之间对应关系的基于特征的方法，以及采用卷积神经网络嵌入视图不变属性的深度学习方法。对跨视域地理定位遇到的各种挑战进行了探讨，如视点和照明的变化、遮挡的发生，并提出了相应的创新解决方案。此外，本文介绍了基准数据集和评估指标，并对最先进技术进行了比较分析。最后，对未来研究以及跨视域地理定位在全球复杂网络环境中蓬勃发展的应用进行了讨论。

    Jun, 2024

  • GeoBench：单目几何估计模型的基准测试与分析

    通过构建统一的评估基准和使用高质量的合成数据，我们发现使用大规模数据进行微调的判别模型，如DINOv2，可以在相同的训练配置下，通过较少量的高质量合成数据超越生成对应物，这表明微调数据的质量比数据规模和模型架构更重要。这项研究对几何估计任务的进展以及广泛的下游应用具有推动作用。

    Jun, 2024