IC694DSM324

IC694DSM324

IC694DSM324基于深度学习的相机标定范式及策略

在工业界和学术界中，有一些标准的相机标定技术可供选择（如OpenCV、Kalibr），因此这个过程通常在计算机视觉的新发展中被忽视。然而，使用传统方法对单个或自然图像和序列（in the wild）进行标定仍然挑战，特别是当待标定数据来自互联网或未知的相机模型。近年来，深度学习为相机标定技术带来了新的灵感，实现了无需人工干预的全自动标定过程。本综述首先从学习范式和学习策略这两个方面对基于深度学习的相机标定进行分类总结。

学习范式

受不同神经网络架构的启发，研究人员开发出了两种主流的深度学习相机标定范式。

第一种称为回归范式，使用具有卷积和全连接层的神经网络从输入中回归标定目标。随后，回归得到的相机参数用于进行后续任务，如畸变矫正、相机定位、三维重建等。这种学习范式在该领域内早得到研究，各类标定模型的第一个深度学习工作均属于回归范式，如内参标定（Deepfocal[21]），外参标定（PoseNet[22]），广角相机标定（Rong[23]），卷帘门标定（URS-CNN[23]），相机-雷达联合标定（RegNet[27]）等。

第二种称为重建范式，它抛弃了传统的参数回归思想，使用全卷积网络直接从初始输入学习像素级的映射函数，将待标定域映射到标定域上。这种方式专注于像素级重建并与后续任务联合学习，可以实现无参数、一阶段标定。该范式下经典的标定算法有：针孔相机（MisCaliDet[108]），广角相机（DR-GAN[31]），卷帘门模型（DeepUnrollNet[46]），相机-雷达模型（CFNet[153]）等。

IC694DSM324