論文の概要: Modeling dynamic target deformation in camera calibration

• arxiv url: http://arxiv.org/abs/2110.07322v1
• Date: Thu, 14 Oct 2021 12:56:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-15 14:36:15.865224
• Title: Modeling dynamic target deformation in camera calibration
• Title（参考訳）: カメラキャリブレーションにおける動的目標変形のモデル化
• Authors: Annika Hagemann, Moritz Knorr, Christoph Stiller
• Abstract要約: ターゲットの移動は、目標の小さな一時的な変形につながり、キャリブレーション結果に重大な誤差をもたらす可能性があることを示す。 本稿では,カメラキャリブレーションにおける動的対象変形を明示的にモデル化する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.378428291297534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most approaches to camera calibration rely on calibration targets of well-known geometry. During data acquisition, calibration target and camera system are typically moved w.r.t. each other, to allow image coverage and perspective versatility. We show that moving the target can lead to small temporary deformations of the target, which can introduce significant errors into the calibration result. While static inaccuracies of calibration targets have been addressed in previous works, to our knowledge, none of the existing approaches can capture time-varying, dynamic deformations. To achieve high-accuracy calibrations despite moving the target, we propose a way to explicitly model dynamic target deformations in camera calibration. This is achieved by using a low-dimensional deformation model with only few parameters per image, which can be optimized jointly with target poses and intrinsics. We demonstrate the effectiveness of modeling dynamic deformations using different calibration targets and show its significance in a structure-from-motion application.
• Abstract（参考訳）: カメラキャリブレーションのアプローチのほとんどは、よく知られた幾何学のキャリブレーションターゲットに依存している。 データ取得中、キャリブレーションターゲットとカメラシステムは、通常、画像のカバレッジとパースペクティブの汎用性を確保するために、互いに移動される。 対象を移動させることで, 目標の一時的な変形が小さくなり, 校正結果に重大な誤差が生じる可能性がある。 私たちの知る限り、キャリブレーション対象の静的不正確性は以前の作業で対処されてきたが、既存のアプローチでは時間的変動や動的変形を捉えることはできない。 ターゲットを移動させながら高精度なキャリブレーションを実現するために,カメラキャリブレーションにおける動的ターゲット変形を明示的にモデル化する方法を提案する。 これは、画像毎のパラメータがわずかである低次元の変形モデルを使用することで実現され、ターゲットポーズとインテラルと協調して最適化することができる。 異なるキャリブレーション目標を用いた動的変形のモデル化の有効性を実証し,その意義を示す。

関連論文リスト

• VICAN: Very Efficient Calibration Algorithm for Large Camera Networks [49.17165360280794]
  ポースグラフ最適化手法を拡張する新しい手法を提案する。 我々は、カメラを含む二部グラフ、オブジェクトの動的進化、各ステップにおけるカメラオブジェクト間の相対変換について考察する。 我々のフレームワークは従来のPGOソルバとの互換性を維持しているが、その有効性はカスタマイズされた最適化方式の恩恵を受けている。
  論文  参考訳（メタデータ） (2024-03-25T17:47:03Z)
• 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)
• Joint Spatial-Temporal Calibration for Camera and Global Pose Sensor [0.4143603294943439]
  ロボット工学において、モーションキャプチャシステムはローカライズアルゴリズムの精度を測定するために広く利用されている。 これらの機能は、カメラとグローバルポーズセンサーの間で正確で信頼性の高い時空間キャリブレーションパラメータを必要とする。 本研究では,これらのキャリブレーションパラメータを推定する新しい2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-03-01T20:56:14Z)
• EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration [49.90228618894857]
  我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。 我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。 本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-02T03:49:54Z)
• 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)
• Enabling Calibration In The Zero-Shot Inference of Large Vision-Language Models [58.720142291102135]
  プロンプト、データセット、アーキテクチャといった関連する変数のキャリブレーションを測定し、CLIPによるゼロショット推論が誤校正されていることを見つけます。 学習した1つの温度は、推論データセットにまたがって特定のCLIPモデルごとに一般化され、選択が促される。
  論文  参考訳（メタデータ） (2023-03-11T17:14:04Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Unified Data Collection for Visual-Inertial Calibration via Deep Reinforcement Learning [24.999540933593273]
  本研究では,ロボットアーム上で自動データ収集を行う動作ポリシーを学習するための新しい定式化を提案する。 本手法はモデルフリー深部強化学習を用いてキャリブレーション過程をコンパクトにモデル化する。 シミュレーションでは、手作りのポリシーよりも10倍速くキャリブレーションを実行できます。
  論文  参考訳（メタデータ） (2021-09-30T10:03:56Z)
• 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)
• Learning Trajectories for Visual-Inertial System Calibration via Model-based Heuristic Deep Reinforcement Learning [34.58853427240756]
  モデルに基づく深部強化学習を用いて,視覚慣性系校正に適した軌道を得るための新しい手法を提案する。 我々の重要な貢献は、キャリブレーション過程をマルコフ決定プロセスとしてモデル化し、モデルに基づく深部強化学習と粒子群最適化を用いて、ロボットアームで行うキャリブレーション軌道のシーケンスを確立することである。
  論文  参考訳（メタデータ） (2020-11-04T23:20:15Z)

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。