論文の概要: Observation Quality Matters: Robust Multi-Fisheye Calibration via Failure-Oriented Analysis
- arxiv url: http://arxiv.org/abs/2607.05777v1
- Date: Tue, 07 Jul 2026 03:07:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.376012
- Title: Observation Quality Matters: Robust Multi-Fisheye Calibration via Failure-Oriented Analysis
- Title（参考訳）: 観測品質の諸問題:失敗指向分析によるロバストなマルチフィールド校正
- Abstract要約: CO-Calibは、堅牢な学習ベースターゲット検出器とエラー分析誘導フレームセレクタを組み合わせた、プラグインキャリブレーションデータ構築フレームワークである。
合成および実際のマルチフィッシュシステムの実験により、CO-Calibは全体の成功率を68.1%から99.3%に改善することが示された。
- 参考スコア（独自算出の注目度）: 24.416862810556534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable calibration of multi-fisheye camera systems remains challenging as rig size, camera arrangement diversity, and field of view increase. Existing pipelines can jointly optimize intrinsics, extrinsics, and target poses, but their success still depends heavily on empirical capture rules and the quality of the observations supplied to the solver. This paper studies this dependency through a failure-oriented analysis. We reveal that calibration failures are not sufficiently explained by detector recall loss or global image-plane distribution imbalance. Instead, the dominant failure factor lies in intrinsic initialization: observations with limited radial span couple focal scale with fisheye projection-shape parameters, producing ill-conditioned updates. Guided by this insight, we propose CO-Calib, a plug-in calibration-data construction framework that combines a robust learning-based target detector with an error-analysis-guided frame selector. CO-Calib constructs initialization-friendly anchors, co-visible multi-camera constraints, and coverage-completion frames without changing the existing calibration workflow or optimization backend. Extensive experiments on synthetic and real multi-fisheye systems demonstrate that CO-Calib improves the overall success rate from 68.1% to 99.3%, increases extrinsic accuracy, and augments real-world calibration stability. The source code will be made publicly available at https://github.com/HKUST-Aerial-Robotics/CO-Calib.
- Abstract（参考訳）: マルチフィッシュカメラシステムの信頼性校正は、リグサイズ、カメラ配置の多様性、視野の増大など、依然として困難である。
既存のパイプラインは内在性、外在性、ターゲットのポーズを共同で最適化することができるが、その成功はいまだに経験的な捕獲規則と解法に与えられる観察の質に大きく依存している。
本稿では,この依存関係をフェール指向分析を用いて検討する。
キャリブレーション障害は, 検出器のリコール損失や大域的な画像面分布の不均衡によって十分に説明できないことが明らかになった。
その代わり、主な失敗要因は本質的な初期化であり、魚眼投射型パラメータによる限られた半径幅の対焦点スケールでの観測により、不条件の更新が生じる。
この知見に導かれたCO-Calibは、堅牢な学習ベースターゲット検出器とエラー解析誘導フレームセレクタを組み合わせた、プラグインキャリブレーションデータ構築フレームワークである。
CO-Calibは、既存のキャリブレーションワークフローや最適化バックエンドを変更することなく、初期化フレンドリなアンカー、マルチカメラ制約、カバレッジ補完フレームを構築する。
合成および実魚眼システムに関する大規模な実験により、CO-Calibは全体の成功率を68.1%から99.3%に改善し、外生精度を高め、現実世界のキャリブレーション安定性を高めることが示されている。
ソースコードはhttps://github.com/HKUST-Aerial-Robotics/CO-Calibで公開されている。
関連論文リスト
- 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) - Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Robust Camera-to-Mocap Calibration and Verification for Large-Scale Multi-Camera Data Capture [18.22576487999375]
魚眼カメラの校正・検証システムについて述べる。
lollypopは、キャリブレーションデータから完全に独立した測定チェーンを通じて、高速で演算子に依存しない評価を提供する。
システムは運用データ収集パイプラインにデプロイされている。
論文 参考訳（メタデータ） (2026-04-23T23:37:00Z) - DST-Calib: A Dual-Path, Self-Supervised, Target-Free LiDAR-Camera Extrinsic Calibration Network [57.22935789233992]
本稿では,オンライン方式で動作するLiDARカメラ外装キャリブレーションネットワークについて紹介する。
提案手法は,一般化可能性の観点から既存手法を著しく上回っている。
論文 参考訳（メタデータ） (2026-01-03T13:57:01Z) - Targetless LiDAR-Camera Calibration with Neural Gaussian Splatting [28.41267004945046]
本稿では,ニューラルベースガウス表現と協調してセンサポーズを最適化するTLC(Targetless LiDAR scene)を提案する。
光度および幾何正則化による完全微分可能なパイプラインは、ロバストで一般化可能なキャリブレーションを実現する。
論文 参考訳（メタデータ） (2025-04-06T20:00:01Z) - UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations [30.56092814783138]
DF-Calibは, キャリブレーションをモード内深さ流量推定問題として再構成するLiDARカメラキャリブレーション法である。
DF-Calibは、カメラ画像から深度マップを推定し、疎LiDAR投影深度マップを完成させる。
本稿では,有効画素を優先する信頼性マップを導入し,深度フロー推定の精度を高めるために,知覚的に重み付けされたスパースフロー損失を提案する。
論文 参考訳（メタデータ） (2025-04-02T07:09:44Z) - A re-calibration method for object detection with multi-modal alignment bias in autonomous driving [6.672552664633057]
自律走行における多モード物体検出は、異なるセンサからの補完情報を融合させることにより、大きなブレークスルーを達成した。
LiDARやカメラなどのセンサーとの融合の校正は、以前の研究で常に正確であるはずだった。
実際には、キャリブレーション行列は車両が工場を出る際に固定されるが、機械的振動、道路の隆起、データラグはキャリブレーションバイアスを引き起こす可能性がある。
論文 参考訳（メタデータ） (2024-05-27T05:46:37Z) - Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。
既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。
本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
論文 参考訳（メタデータ） (2023-11-20T08:27:56Z) - Self-Calibration Supported Robust Projective Structure-from-Motion [80.15392629310507]
本稿では,自己校正制約によってマッチングプロセスが支持される統合されたStructure-from-Motion (SfM)法を提案する。
これらの制約を利用して,ロバストなマルチビューマッチングと正確なカメラキャリブレーションを示す実験結果を示す。
論文 参考訳（メタデータ） (2020-07-04T08:47:10Z) - Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。
焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。
ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
論文 参考訳（メタデータ） (2020-02-21T17:35:50Z)
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。