論文の概要: Implicit Multi-Camera System Calibration Using Gaussian Processes

• arxiv url: http://arxiv.org/abs/2605.07491v1
• Date: Fri, 08 May 2026 09:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.959684
• Title: Implicit Multi-Camera System Calibration Using Gaussian Processes
• Title（参考訳）: ガウス過程を用いた暗黙のマルチカメラシステムキャリブレーション
• Authors: Ivan De Boi, Bart Ribbens, Veronika Golanova, Ursula Kapov, Simon Verspeek,
• Abstract要約: 本稿では,ガウス過程(GP)レグレッションを用いた暗黙的マルチカメラシステムキャリブレーションのための新しいフレームワークを提案する。 我々のGPベースのモデルは、全カメラにわたる2次元画像座標から3次元世界座標への複雑な非線形マッピングを直接学習する。 実験の結果,3次元予測の不確かさはカメラに近づきつつあることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a novel framework for implicit multi-camera system calibration utilizing Gaussian Process (GP) regression. Conventional explicit calibration methods are constrained by rigid mathematical models and struggle with complex, non-linear distortions from unconventional optics, while existing neural network-based implicit approaches are typically data-hungry and lack inherent uncertainty quantification (UQ). Our GP-based model directly learns the complex, non-linear mapping from 2D image coordinates across all cameras to a 3D world coordinate, completely bypassing time-consuming estimation of explicit intrinsic and extrinsic parameters. Moreover, the inherent UQ is critical for transforming a simple 3D point prediction into a verifiable 3D measurement, complete with statistically-sound confidence bounds. To further enhance data efficiency and practical deployment, we integrate Active Learning (AL), which intelligently leverages the GP's predictive uncertainty to strategically guide the acquisition of new calibration data. This approach results in a robust, data-efficient, and reliable calibration solution, proving particularly effective in practical scenarios where collecting extensive calibration data is a dominant constraint. Our experiments show that the uncertainty for the 3D predictions is higher closer to the cameras. The data points in $uv$-coordinate space are more sparse in that region, even though they are not in 3D space. This work is relevant for anyone who is tasked with the calibration of complex multi-camera systems.
• Abstract（参考訳）: 本稿では,ガウス過程(GP)レグレッションを用いた暗黙的マルチカメラシステムキャリブレーションのための新しいフレームワークを提案する。 従来の明示的な校正法は、厳密な数学的モデルによって制約され、非伝統的な光学からの複雑で非線形な歪みに苦しむ一方、既存のニューラルネットワークベースの暗黙のアプローチは典型的にはデータ空白であり、固有の不確実な定量化(UQ)が欠如している。 我々のGPモデルでは,全カメラにまたがる2次元画像座標から3次元世界座標への複雑な非線形マッピングを直接学習する。 さらに、本質的なUQは、単純な3次元点予測を統計的に健全な信頼境界で完備した検証可能な3次元計測に変換するために重要である。 GPの予測不確実性を知能的に活用し,新たな校正データの獲得を戦略的に導くアクティブラーニング(AL)を統合する。 このアプローチにより、堅牢で、データ効率が高く、信頼性の高いキャリブレーションソリューションが実現され、大規模なキャリブレーションデータの収集が支配的な制約となる現実的なシナリオにおいて特に有効であることが証明される。 実験の結果,3次元予測の不確かさはカメラに近づきつつあることがわかった。 uv$座標空間のデータポイントは、3D空間にないにもかかわらず、その領域ではよりスパースである。 この研究は、複雑なマルチカメラシステムのキャリブレーションに携わるすべての人に関係している。

関連論文リスト

• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• JOGS: Joint Optimization of Pose Estimation and 3D Gaussian Splatting [10.35563602148445]
  本稿では,3次元ガウス点とカメラポーズを事前校正入力を必要とせずに協調的に最適化する統合フレームワークを提案する。 我々のアプローチは、3Dガウスパラメータを反復的に洗練し、新しいコ最適化戦略によってカメラのポーズを更新する。 提案手法は,再建品質において既存のCOLMAPフリー技術よりも優れており,標準のCOLMAPベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2025-10-30T04:00:07Z)
• 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
  既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。 本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。 提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
  論文  参考訳（メタデータ） (2024-11-01T12:50:38Z)
• No Pose, No Problem: Surprisingly Simple 3D Gaussian Splats from Sparse Unposed Images [100.80376573969045]
  NoPoSplatは、多視点画像から3Dガウスアンによってパラメータ化された3Dシーンを再構成できるフィードフォワードモデルである。 提案手法は,推定時にリアルタイムな3次元ガウス再構成を実現する。 この研究は、ポーズフリーの一般化可能な3次元再構成において大きな進歩をもたらし、実世界のシナリオに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-10-31T17:58:22Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• CalibFormer: A Transformer-based Automatic LiDAR-Camera Calibration Network [11.602943913324653]
  CalibFormerは自動LiDARカメラキャリブレーションのためのエンドツーエンドネットワークである。 高精細度表現を実現するために、複数のカメラ層とLiDAR画像層を集約する。 平均翻訳誤差は0.8751 Mathrmcm$, 平均回転誤差は0.0562 circ$であった。
  論文  参考訳（メタデータ） (2023-11-26T08:59:30Z)
• Differentiable Uncalibrated Imaging [25.67247660827913]
  本稿では,センサ位置や投影角などの測定座標の不確実性に対処する,識別可能なイメージングフレームワークを提案する。 入力座標に対して自然に微分可能な暗黙のニューラルネットワーク、別名ニューラルフィールドを適用する。 測定表現を協調的に適合させ、不確実な測定座標を最適化し、一貫したキャリブレーションを保証する画像再構成を行うため、微分性は鍵となる。
  論文  参考訳（メタデータ） (2022-11-18T22:48:09Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。