Deep-BrownConrady：基于深度学习与合成数据的相机标定与畸变参数预测
计算机视觉与模式识别
2025-12-04 v1 图形学
机器学习
摘要
本研究从单张图像预测相机标定与畸变参数这一挑战中获得 breakthrough。该工作的主要贡献包括：(1) 证明基于实合成图像混合训练的深度学习模型，能够准确预测单张图像中的相机与镜头参数；(2) 开发了基于 AILiveSim 模拟平台构建的全面合成数据集。该数据集包含焦距与镜头畸变参数的多种变体，为模型训练与测试提供了稳健基础。训练过程主要依赖这些合成图像，辅以少量真实图像，以探索模型在合成数据上训练后，对真实世界图像的标定任务性能。传统标定方法需要从多个不同姿态的校准物体图像中获取数据，但公开数据集常缺乏此类图像。我们基于 ResNet 架构的深度学习网络被用于本合成数据集训练，以预测遵循 Brown-Conrady 镜头模型的相机标定参数。该 ResNet 架构经过回归任务适配，能够预测连续值，为自动驾驶、机器人和增强现实等应用中的精准相机标定提供支持。
引用
@article{arxiv.2501.14510,
title = {Deep-BrownConrady: Prediction of Camera Calibration and Distortion Parameters Using Deep Learning and Synthetic Data},
author = {Faiz Muhammad Chaudhry and Jarno Ralli and Jerome Leudet and Fahad Sohrab and Farhad Pakdaman and Pierre Corbani and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2501.14510},
year = {2025}
}