6SE6440-2UD23-0BA1

6SE6440-2UD23-0BA1

6SE6440-2UD23-0BA1相机标定是计算机视觉和机器人领域中一个基础但具有挑战性的研究课题。从以上的技术回顾和趋势洞察，我们发现目前的深度学习方案仍有很大的提升空间。从第三章到第六章，本综述讨论了各类相机模型未来研究的技术路径。在本节中，我们将提出整个研究社区可能关心的一些更为宏观的未来研究方向。

· 序列标定的拓展

现有的深度学习研究侧重于单个图像的标定，而忽略了采集序列中的时空相关性。将现有方法应用于第一帧并传播到后续帧是一种直接的解决方法，但是无法确保标定每个输入，因此标定误差将贯穿整个序列。学习时空相关性可以为网络提供运动结构相关的知识，同时在程度契合了传统相机标定的思想。

· 标定目标的革新

传统的标定目标由于与图像特征之间的隐式关系，很难通过神经网络准确学习。为此，一些研究开发了新颖的学习目标来替代传统的标定目标，为神经网络提供了更加友好的学习表征。此外，一些中间的几何表示方法也被提出，以弥合图像特征和标定目标之间的差距，例如反射振幅系数图、矫正流、表面几何和法向流等。展望未来，我们认为仍有很大的潜力设计更明确和合理的标定目标学习方法。

6SE6440-2UD23-0BA1