IC694MDL230

IC694MDL230

IC694MDL230· 预训练策略的探索

在深度学习中，使用ImageNet数据集进行预训练已成为一种广泛使用的策略。然而，近期研究表明，这种方法对于特定的相机标定任务（如广角相机标定）会起到负面作用。这主要由两个原因造成：数据差距和任务差距。此外，据我们所知，对于超过单个图像和单个模态的标定预训练策略，相关领域尚未进行深入研究。因此，我们认为探索面向相机标定的深度学习预训练策略是一个有趣且有价值的研究方向。

· 隐式、统一模型的构建

基于深度学习的相机标定方法大多使用传统的参数化相机模型，这种模型缺乏适应复杂情况的灵活性。非参数化相机模型将每个像素与其对应的三维入射光线相关联，克服了参数化模型的限制。此外，它们允许隐式和统一的标定，通过像素级回归适配所有相机类型，避免了显式特征提取和几何求解等过程。深度学习方法显示出对重建式标定任务的潜力，使得非参数化模型值得重新审视，并有可能在未来代替参数化模型。

另一方面，研究人员将隐式、统一表示的优势与神经辐射场（NeRF）相结合，用于重建三维结构和合成新视角。其中，自标定NeRF方法可用于具有任意非线性畸变的通用相机，探索了无需标定目标学习深度和自运动的端到端流程。

本综述认为，隐式和统一相机模型在未来可以用于优化基于学习的标定算法，也可集成到下游的三维视觉任务中。同时，该领域中精心设计的几何先验、标定策略、优化方式、学习表征等也可用于启发NeRF等领域的发展，以进一步摆脱对相机参数和相机模型的依赖。

更多的未来研究方向，特别是相机标定的实际应用研究点，详见本综述补充材料的第三章。

IC694MDL230