論文の概要: Self-Supervised Camera Self-Calibration from Video
- arxiv url: http://arxiv.org/abs/2112.03325v1
- Date: Mon, 6 Dec 2021 19:42:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 15:24:03.866100
- Title: Self-Supervised Camera Self-Calibration from Video
- Title（参考訳）: ビデオによる自己監視カメラの自己校正
- Authors: Jiading Fang, Igor Vasiljevic, Vitor Guizilini, Rares Ambrus, Greg
Shakhnarovich, Adrien Gaidon, Matthew R.Walter
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 34.35533943247917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera calibration is integral to robotics and computer vision algorithms
that seek to infer geometric properties of the scene from visual input streams.
In practice, calibration is a laborious procedure requiring specialized data
collection and careful tuning. This process must be repeated whenever the
parameters of the camera change, which can be a frequent occurrence for mobile
robots and autonomous vehicles. In contrast, self-supervised depth and
ego-motion estimation approaches can bypass explicit calibration by inferring
per-frame projection models that optimize a view synthesis objective. In this
paper, we extend this approach to explicitly calibrate a wide range of cameras
from raw videos in the wild. We propose a learning algorithm to regress
per-sequence calibration parameters using an efficient family of general camera
models. Our procedure achieves self-calibration results with sub-pixel
reprojection error, outperforming other learning-based methods. We validate our
approach on a wide variety of camera geometries, including perspective,
fisheye, and catadioptric. Finally, we show that our approach leads to
improvements in the downstream task of depth estimation, achieving
state-of-the-art results on the EuRoC dataset with greater computational
efficiency than contemporary methods.
- Abstract（参考訳）: カメラキャリブレーションは、視覚入力ストリームからシーンの幾何学的性質を推測するロボット工学やコンピュータビジョンアルゴリズムに不可欠なものである。
実際には、キャリブレーションは特別なデータ収集と注意深いチューニングを必要とする面倒な手順である。
このプロセスは、カメラのパラメータが変わるたびに繰り返されなければならない。
対照的に、自己監督深度とエゴモーション推定アプローチは、ビュー合成の目的を最適化するフレームごとの投影モデルを推定することにより、明示的なキャリブレーションを回避できる。
本稿では,野生の生ビデオから広い範囲のカメラを明示的に校正するために,このアプローチを拡張した。
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。
我々は、遠近法、魚眼法、カタディオプトリなど、様々なカメラ測地に対するアプローチを検証する。
最後に, 提案手法は, 従来手法よりも計算効率が高いEuRoCデータセット上で, 深度推定の下流課題の改善につながることを示す。
関連論文リスト
- Redundancy-Aware Camera Selection for Indoor Scene Neural Rendering [54.468355408388675]
カメラの空間的多様性と画像の意味的変動の両方を取り入れた類似度行列を構築した。
カメラ選択を最適化するために,多様性に基づくサンプリングアルゴリズムを適用した。
IndoorTrajという新しいデータセットも開発しています。仮想屋内環境で人間が捉えた、長くて複雑なカメラの動きが含まれています。
論文 参考訳（メタデータ） (2024-09-11T08:36:49Z) - 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) - Learning Robust Multi-Scale Representation for Neural Radiance Fields
from Unposed Images [65.41966114373373]
コンピュータビジョンにおけるニューラルイメージベースのレンダリング問題に対する改善された解決策を提案する。
提案手法は,テスト時に新たな視点からシーンのリアルなイメージを合成することができる。
論文 参考訳（メタデータ） (2023-11-08T08:18:23Z) - 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) - Multi-task Learning for Camera Calibration [3.274290296343038]
一対の画像から内在性(主点オフセットと焦点長)と外因性(ベースライン,ピッチ,翻訳)を予測できるユニークな手法を提案する。
カメラモデルニューラルネットワークを用いて3Dポイントを再構成し、再構成の損失を利用してカメラ仕様を得ることにより、この革新的なカメラ投影損失(CPL)法により、所望のパラメータを推定できる。
論文 参考訳（メタデータ） (2022-11-22T17:39:31Z) - Rethinking Generic Camera Models for Deep Single Image Camera
Calibration to Recover Rotation and Fisheye Distortion [8.877834897951578]
本稿では,様々な歪みに対処可能な汎用カメラモデルを提案する。
提案手法は,市販の魚眼カメラで撮影した2つの大規模データセットと画像に対して,従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-11-25T05:58:23Z) - Camera Calibration through Camera Projection Loss [4.36572039512405]
画像対を用いた固有(焦点長と主点オフセット)パラメータの予測手法を提案する。
従来の手法とは違って,マルチタスク学習フレームワークにおいて,カメラモデル方程式をニューラルネットワークとして組み込んだ新しい表現を提案する。
提案手法は,10パラメータ中7パラメータに対して,ディープラーニングと従来手法の両方に対して,優れた性能を実現する。
論文 参考訳（メタデータ） (2021-10-07T14:03:10Z) - Self-Calibrating Neural Radiance Fields [68.64327335620708]
キャリブレーション対象のないシーンの幾何学と正確なカメラパラメータを共同で学習する。
我々のカメラモデルは、ピンホールモデル、第4次ラジアル歪み、および任意の非線形カメラ歪みを学習可能な汎用ノイズモデルで構成されている。
論文 参考訳（メタデータ） (2021-08-31T13:34:28Z) - 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)
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。