論文の概要: TartanCalib: Iterative Wide-Angle Lens Calibration using Adaptive SubPixel Refinement of AprilTags

• arxiv url: http://arxiv.org/abs/2210.02511v1
• Date: Wed, 5 Oct 2022 18:57:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 17:30:22.281916
• Title: TartanCalib: Iterative Wide-Angle Lens Calibration using Adaptive SubPixel Refinement of AprilTags
• Title（参考訳）: TartanCalib:Adaptive SubPixel Refinement of AprilTagsを用いた反復広角レンズ校正
• Authors: Bardienus P Duisterhof, Yaoyu Hu, Si Heng Teng, Michael Kaess, Sebastian Scherer
• Abstract要約: 現在の最先端技術による広角レンズの校正は、エッジの極端に歪みがあるため、結果を得られない。 精度の高い広角キャリブレーション手法を提案する。
• 参考スコア（独自算出の注目度）: 23.568127229446965
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wide-angle cameras are uniquely positioned for mobile robots, by virtue of the rich information they provide in a small, light, and cost-effective form factor. An accurate calibration of the intrinsics and extrinsics is a critical pre-requisite for using the edge of a wide-angle lens for depth perception and odometry. Calibrating wide-angle lenses with current state-of-the-art techniques yields poor results due to extreme distortion at the edge, as most algorithms assume a lens with low to medium distortion closer to a pinhole projection. In this work we present our methodology for accurate wide-angle calibration. Our pipeline generates an intermediate model, and leverages it to iteratively improve feature detection and eventually the camera parameters. We test three key methods to utilize intermediate camera models: (1) undistorting the image into virtual pinhole cameras, (2) reprojecting the target into the image frame, and (3) adaptive subpixel refinement. Combining adaptive subpixel refinement and feature reprojection significantly improves reprojection errors by up to 26.59 %, helps us detect up to 42.01 % more features, and improves performance in the downstream task of dense depth mapping. Finally, TartanCalib is open-source and implemented into an easy-to-use calibration toolbox. We also provide a translation layer with other state-of-the-art works, which allows for regressing generic models with thousands of parameters or using a more robust solver. To this end, TartanCalib is the tool of choice for wide-angle calibration. Project website and code: http://tartancalib.com.
• Abstract（参考訳）: 広角カメラは、小型で軽量で費用対効果の高いフォームファクターで提供される豊富な情報によって、移動ロボットにユニークな位置を占める。 内因と外因性の正確な校正は、広角レンズのエッジを奥行き知覚とオドメトリーに使用するための重要な前提条件である。 現在の最先端技術による広角レンズの校正は、ほとんどのアルゴリズムがピンホールプロジェクションに近い低・中歪みのレンズを仮定するので、エッジの極端な歪みによる結果が得られない。 本研究では,正確な広角キャリブレーション手法を提案する。 私たちのパイプラインは中間モデルを生成し、機能検出とカメラパラメータを反復的に改善します。 中間カメラモデルを利用するために,(1)仮想ピンホールカメラへの画像の非表示,(2)ターゲットを画像フレームに再投影,(3)適応サブピクセルの精細化という3つの重要な手法をテストした。 適応的なサブピクセルリファインメントと機能再プロジェクションを組み合わせることで、リジェクションエラーを最大26.59パーセント改善し、42.01%以上の機能の検出を支援し、深度マッピングの下流タスクの性能向上に寄与する。 最後に、tartancalibはオープンソースであり、使いやすいキャリブレーションツールボックスに実装されている。 数千のパラメータでジェネリックモデルを回帰したり、より堅牢な解法を使ったりすることができる。 この目的のために、TartanCalibは広角キャリブレーションの選択ツールである。 プロジェクトサイトとコード: http://tartancalib.com

関連論文リスト

• How to turn your camera into a perfect pinhole model [0.38233569758620056]
  本稿では,画像からの歪みを除去する前処理ステップを含む新しいアプローチを提案する。 本手法は歪みモデルを仮定する必要がなく, 厳しい歪み画像に適用できる。 このモデルは、多くのアルゴリズムとアプリケーションの深刻なアップグレードを可能にします。
  論文  参考訳（メタデータ） (2023-09-20T13:54:29Z)
• Neural Lens Modeling [50.57409162437732]
  NeuroLens(ニューロレンス)は、点投影と光線鋳造に使用できる歪みと磁化のための神経レンズモデルである。 古典的なキャリブレーションターゲットを使用してプリキャプチャのキャリブレーションを行うことができ、後に3D再構成の際にキャリブレーションやリファインメントを行うために使用できる。 このモデルは、多くのレンズタイプにまたがって一般化されており、既存の3D再構成とレンダリングシステムとの統合は容易である。
  論文  参考訳（メタデータ） (2023-04-10T20:09:17Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Learning-Based Framework for Camera Calibration with Distortion Correction and High Precision Feature Detection [14.297068346634351]
  本稿では,これらのボトルネックに対処する従来の手法と学習に基づくアプローチを組み合わせたハイブリッドカメラキャリブレーションフレームワークを提案する。 特に、このフレームワークは学習に基づくアプローチを利用して、効率的な歪み補正とロバストなチェス盤角座標符号化を行う。 広範に使われている2つのカメラキャリブレーションツールボックスと比較して、実データと合成データの両方の実験結果は、提案フレームワークのより良い堅牢性と高い精度を示す。
  論文  参考訳（メタデータ） (2022-02-01T00:19:18Z)
• 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)
• 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)
• 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)
• Single image deep defocus estimation and its applications [82.93345261434943]
  画像パッチを20レベルの曖昧さの1つに分類するために、ディープニューラルネットワークをトレーニングします。 トレーニングされたモデルは、反復重み付きガイドフィルタを適用して改善するパッチのぼかしを決定するために使用される。 その結果、デフォーカスマップは各ピクセルのぼやけた度合いの情報を運ぶ。
  論文  参考訳（メタデータ） (2021-07-30T06:18:16Z)
• Universal and Flexible Optical Aberration Correction Using Deep-Prior Based Deconvolution [51.274657266928315]
  そこで本研究では,収差画像とpsfマップを入力とし,レンズ固有深層プリエントを組み込んだ潜在高品質版を生成する,psf対応プラグイン・アンド・プレイ深層ネットワークを提案する。 具体的には、多彩なレンズの集合からベースモデルを事前訓練し、パラメータを迅速に精製して特定のレンズに適応させる。
  論文  参考訳（メタデータ） (2021-04-07T12:00:38Z)
• 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)
• 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。