論文の概要: Joint Multi-Camera LiDAR Extrinsic Calibration via Learned Pairwise Initialization and Geometric Refinement
- arxiv url: http://arxiv.org/abs/2605.31576v1
- Date: Fri, 29 May 2026 17:45:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.776645
- Title: Joint Multi-Camera LiDAR Extrinsic Calibration via Learned Pairwise Initialization and Geometric Refinement
- Title（参考訳）: 学習ペアワイズ初期化と幾何学的再構成による多重カメラLiDAR外挿校正
- Abstract要約: 多くの学習ベースカメラ-LiDARキャリブレーション法は、カメラ-LiDARペアを独立に扱い、マルチカメラプラットフォームにおける幾何的結合を無視している。
本稿では,2段階のマルチカメラLiDAR外装キャリブレーションの枠組みについて述べる。
- 参考スコア（独自算出の注目度）: 2.449909275410288
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most learning-based camera-LiDAR calibration methods treat each camera-LiDAR pair independently, ignoring the rigid geometric coupling in multi-camera platforms. As a result, per-camera estimates may be individually accurate yet inconsistent at the system level. We present a two-stage framework for joint multi-camera LiDAR extrinsic calibration that combines learned pairwise matching with geometric refinement. First, CMRNext is applied independently to each camera to produce initial extrinsic estimates and dense 2D-3D correspondences. These predictions are then jointly refined through a multi-frame bundle adjustment with reprojection, per-camera prior, and relative-pose prior terms. This approach converts pairwise predictions into a globally consistent multi-camera calibration. Experiments on KITTI (in-domain for CMRNext) and Walkley (out-of-domain) datasets show improved per-camera accuracy and inter-camera consistency. On KITTI, the method achieves 0.89 cm translation error and 0.038 rotation error. On Walkley, it reduces translation error from 108.6 cm to 3.1 cm, highlighting the benefit of explicit multi-camera coupling when single-camera predictions are less reliable.
- Abstract（参考訳）: 多くの学習ベースカメラ-LiDARキャリブレーション法は、カメラ-LiDARペアを独立に扱い、マルチカメラプラットフォームにおける幾何的結合を無視している。
その結果、カメラ当たりの見積もりは個別に正確であるが、システムレベルでは矛盾する可能性がある。
本稿では,2段階のマルチカメラLiDAR外装キャリブレーションの枠組みについて述べる。
まず、CMRNextは各カメラに独立して適用され、初期外部推定と密度の高い2D-3D対応を生成する。
これらの予測は、再射、カメラごとの先行、相対的な事前条件による多重フレームバンドル調整によって共同で洗練される。
このアプローチはペアワイズ予測を一貫したマルチカメラキャリブレーションに変換する。
KITTI(CMRNextのドメイン内)とWalkley(ドメイン外)データセットの実験では、カメラ毎の精度とカメラ間の一貫性が改善された。
KITTIでは0.89cmの翻訳誤差と0.038回転誤差を達成している。
ウォークレーでは、翻訳エラーを108.6cmから3.1cmに減らし、シングルカメラの予測が信頼性の低い場合に、明示的なマルチカメラ結合の利点を強調している。
関連論文リスト
- Rolling Shutter Camera Self-Calibration [16.655500623025226]
ローリングシャッター (RS) カメラはコンシューマーデバイスで広く使われているが、ローリングシャッターの露光は動きの歪みを引き起こす。
既存のRSキャリブレーション手法はキャリブレーションターゲットや特別なハードウェアに依存しており、制約のない設定での使用を制限する。
本稿では,カメラの内在性を直接推定し,画像列から読み出し時間比を推定する,RSカメラの最初の自己校正手法を提案する。
論文 参考訳（メタデータ） (2026-08-02T21:43:46Z) - Calousel: Extrinsic Calibration of Non-overlapping Multi-camera Systems from Pure Rotation [7.816762304840921]
従来の目標ベース手法は、かなりの目標設定オーバーヘッドを課す。
動きに基づくアプローチは、代わりにドリフトエラー、あいまいさのスケール、動きの縮退に悩まされる。
本研究では,1つの静的キャリブレーション板のみを必要とする純粋回転運動を利用する新しいキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2026-06-24T09:54:20Z) - Joint Target-Less Intrinsic and Extrinsic Camera-LiDAR Calibration using Deep Point Correspondences [17.541015611401185]
我々は,カメラ内在とカメラ-LiDAR外在物と,ピクセル・ポイントの深部対応を推定する,最初の完全なターゲットレスパイプラインを提案する。
本手法はカメラとLiDARのペアでKITTIデータセット上で評価し, 関節キャリブレーションにより外生精度が向上し, さらに正確な内生特性を回復できることを実証した。
論文 参考訳（メタデータ） (2026-05-22T09:09:21Z) - CalibAnyView: Beyond Single-View Camera Calibration in the Wild [59.66873936532375]
カメラキャリブレーションは、信頼性の高い幾何学的知覚の基本的な前提条件である。
近年の学習に基づく手法では、単一ビューの校正には有望な結果が得られたが、本質的に複数のビューにまたがる幾何的整合性は無視されている。
任意の数の入力ビューをサポートする統一的な定式化であるCalibAnyViewを紹介します。
論文 参考訳（メタデータ） (2026-05-14T09:32:12Z) - Implicit Multi-Camera System Calibration Using Gaussian Processes [0.0]
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。
論文 参考訳（メタデータ） (2026-05-08T09:29:58Z) - Geometry OR Tracker: Universal Geometric Operating Room Tracking [61.399734016038614]
手術室(OR)では、世界規模のマルチビュー3Dトラッキングは、外科医の行動認識のような下流のアプリケーションをサポートする。
カメラのキャリブレーションとRGB-Dの登録は常に信頼性が低く、幾何学的不整合が生じる。
我々は、不正確なキャリブレーションをスケール一貫性と幾何学的に整合したカメラ設定に修正する2段階パイプラインであるGeometry OR Trackerを紹介する。
論文 参考訳（メタデータ） (2026-02-28T09:21:21Z) - Two-Stage Camera Calibration Method for Multi-Camera Systems Using Scene Geometry [52.27010615715154]
本稿では,マルチカメラトラッキングシステムのための2段階キャリブレーション手法を提案する。
第1段階では、自然幾何学的プリミティブの演算子のアノテーションに基づいて、個々のカメラの部分校正を行う。
第2段階では、投影された有効視野のインタラクティブな操作により、正確なシステム校正を行う。
論文 参考訳（メタデータ） (2025-12-04T16:47:39Z) - 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) - 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) - Calibrated and Partially Calibrated Semi-Generalized Homographies [65.29477277713205]
視点と一般化カメラから半一般化ホモグラフィーを推定するための最初の最小解を提案する。
提案した解法は、多くの合成および実世界の実験で実証されたように安定かつ効率的である。
論文 参考訳（メタデータ） (2021-03-11T08:56:24Z) - 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)
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。