重新审视自标定的退化问题及一种用于无标定 SLAM 的深度学习解法
计算机视觉与模式识别
2019-08-01 v1
摘要
相机内参与径向畸变的自标定在计算机视觉界有着长期的研究历史。然而，此类技术真正应用于现代同步定位与建图（SLAM）系统，尤其在驾驶场景中，仍属罕见。本文中，我们重新审视该问题的几何方法，并给出理论证明，明确揭示了当使用两视图几何自标定径向畸变时，径向畸变与场景深度之间的歧义。鉴于此种几何退化，我们提出一种学习方法，在大量合成数据上训练卷积神经网络（CNN）。我们将其作为无需棋盘格的 SLAM 标定工具加以应用，展示了所提方法的效用，取得了与以往学习和手工方法相当或更优的性能。
引用
@article{arxiv.1907.13185,
title = {Degeneracy in Self-Calibration Revisited and a Deep Learning Solution for Uncalibrated SLAM},
author = {Bingbing Zhuang and Quoc-Huy Tran and Pan Ji and Gim Hee Lee and Loong Fah Cheong and Manmohan Chandraker},
journal= {arXiv preprint arXiv:1907.13185},
year = {2019}
}
备注
To appear at IROS 2019