論文の概要: BabelCalib: A Universal Approach to Calibrating Central Cameras
- arxiv url: http://arxiv.org/abs/2109.09704v1
- Date: Mon, 20 Sep 2021 17:21:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-21 16:24:39.925114
- Title: BabelCalib: A Universal Approach to Calibrating Central Cameras
- Title（参考訳）: BabelCalib: 中央カメラの校正のためのユニバーサルアプローチ
- Authors: Yaroslava Lochman, Kostiantyn Liepieshov, Jianhui Chen, Michal
Perdoch, Christopher Zach, James Pritts
- Abstract要約: 既存のキャリブレーション方式は、時々大規模な視野カメラでは失敗する。
本稿では,後方投射モデルを用いてパラメータを校正し,対象前方モデルに対するパラメータを回帰する解法を提案する。
これらのステップは、外部検出に対処する堅牢な推定フレームワークに組み込まれる。
- 参考スコア（独自算出の注目度）: 24.662262051346087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing calibration methods occasionally fail for large field-of-view
cameras due to the non-linearity of the underlying problem and the lack of good
initial values for all parameters of the used camera model. This might occur
because a simpler projection model is assumed in an initial step, or a poor
initial guess for the internal parameters is pre-defined. A lot of the
difficulties of general camera calibration lie in the use of a forward
projection model. We side-step these challenges by first proposing a solver to
calibrate the parameters in terms of a back-projection model and then regress
the parameters for a target forward model. These steps are incorporated in a
robust estimation framework to cope with outlying detections. Extensive
experiments demonstrate that our approach is very reliable and returns the most
accurate calibration parameters as measured on the downstream task of absolute
pose estimation on test sets. The code is released at
https://github.com/ylochman/babelcalib.
- Abstract（参考訳）: 既存のキャリブレーション法は、基礎となる問題の非線形性や、使用済みカメラモデルの全てのパラメータに対する優れた初期値の欠如により、大規模な視野カメラでは時折失敗する。
これは、単純なプロジェクションモデルが最初のステップで仮定されるか、内部パラメータの低い初期推定が事前に定義されているためである。
一般的なカメラキャリブレーションの難しさの多くは、フォワードプロジェクションモデルを使用することにある。
まず,後方投射モデルを用いてパラメータを校正し,対象の前方モデルに対するパラメータを回帰させることにより,これらの課題を副次的に解決する。
これらのステップは、外部検出に対処する堅牢な推定フレームワークに組み込まれる。
実験の結果,本手法は非常に信頼性が高く,テストセットにおける絶対ポーズ推定の下流タスクで測定された最も正確なキャリブレーションパラメータが得られた。
コードはhttps://github.com/ylochman/babelcalibでリリースされる。
関連論文リスト
- Single-image camera calibration with model-free distortion correction [0.0]
本稿では,センサ全体をカバーする平面スペックルパターンの単一画像から,キャリブレーションパラメータの完全な集合を推定する方法を提案する。
デジタル画像相関を用いて校正対象の画像点と物理点との対応を求める。
プロシージャの最後には、画像全体にわたって、密度が高く均一なモデルフリーな歪みマップが得られる。
論文 参考訳（メタデータ） (2024-03-02T16:51:35Z) - The Influence of Autofocus Lenses in the Camera Calibration Process [0.0]
カメラキャリブレーションプロセスは、データのセットをピンホールモデルに調整することで構成される。
ピンホールモデルは焦点を考慮した場合、カメラの挙動を正確に表現しない。
距離依存焦点距離を持つピンホールモデルを提案し, キャリブレーション法を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-07T09:20:01Z) - Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳（メタデータ） (2023-08-21T13:03:25Z) - Deep Learning for Camera Calibration and Beyond: A Survey [100.75060862015945]
カメラキャリブレーションでは、キャプチャされたシーケンスから幾何学的特徴を推測するために、カメラパラメータを推定する。
近年の取り組みでは,手動キャリブレーションの繰り返し作業に代えて,学習ベースのソリューションが活用される可能性が示唆されている。
論文 参考訳（メタデータ） (2023-03-19T04:00:05Z) - Self-Supervised Camera Self-Calibration from Video [34.35533943247917]
汎用カメラモデルの効率的なファミリーを用いてシーケンスごとのキャリブレーションパラメータを回帰する学習アルゴリズムを提案する。
提案手法は,サブピクセル再投射誤差による自己校正を行い,他の学習手法よりも優れる。
論文 参考訳（メタデータ） (2021-12-06T19:42:05Z) - Dynamic Event Camera Calibration [27.852239869987947]
最初の動的イベントカメラキャリブレーションアルゴリズムを提案する。
カメラとキャリブレーションパターンの間の相対的な動きで捉えたイベントから直接キャリブレーションする。
その結果, 得られたキャリブレーション法は, 10秒未満のデータ列から, 極めて有用かつ確実なキャリブレーションを行うことができた。
論文 参考訳（メタデータ） (2021-07-14T14:52:58Z) - How to Calibrate Your Event Camera [58.80418612800161]
画像再構成を用いた汎用イベントカメラキャリブレーションフレームワークを提案する。
ニューラルネットワークに基づく画像再構成は,イベントカメラの内在的・外在的キャリブレーションに適していることを示す。
論文 参考訳（メタデータ） (2021-05-26T07:06:58Z) - Wide-angle Image Rectification: A Survey [86.36118799330802]
広角画像は、基礎となるピンホールカメラモデルに反する歪みを含む。
これらの歪みを補正することを目的とした画像修正は、これらの問題を解決することができる。
本稿では、異なるアプローチで使用されるカメラモデルについて、詳細な説明と議論を行う。
次に,従来の幾何学に基づく画像修正手法と深層学習法の両方について検討する。
論文 参考訳（メタデータ） (2020-10-30T17:28:40Z) - Infrastructure-based Multi-Camera Calibration using Radial Projections [117.22654577367246]
パターンベースのキャリブレーション技術は、カメラの内在を個別にキャリブレーションするために使用することができる。
Infrastucture-based calibration techniqueはSLAMやStructure-from-Motionで事前に構築した3Dマップを用いて外部情報を推定することができる。
本稿では,インフラストラクチャベースのアプローチを用いて,マルチカメラシステムをスクラッチから完全にキャリブレーションすることを提案する。
論文 参考訳（メタデータ） (2020-07-30T09:21:04Z) - Uncertainty Quantification and Deep Ensembles [79.4957965474334]
ディープアンサンブルが必ずしもキャリブレーション特性の改善につながるとは限らないことを示す。
そこで本研究では,混成正規化などの現代的な手法と併用して標準アンサンブル法を用いることで,キャリブレーションの少ないモデルが得られることを示す。
このテキストは、データが不足しているときにディープラーニングを活用するために、最も単純で一般的な3つのアプローチの相互作用を調べる。
論文 参考訳（メタデータ） (2020-07-17T07:32:24Z) - Superaccurate Camera Calibration via Inverse Rendering [0.19336815376402716]
逆レンダリングの原理を用いたカメラキャリブレーションの新しい手法を提案する。
検出された特徴点のみに頼らず、内部パラメータの推定と校正対象のポーズを用いて光学的特徴の非フォトリアリスティックな等価性を暗黙的に描画する。
論文 参考訳（メタデータ） (2020-03-20T10:26:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。