NOCaL：无需标定的里程计与相机内参半监督学习

大量新兴成像技术可使机器人领域受益。然而，对定制模型、标定和低层处理的需求是其采用的关键障碍。本工作中我们提出 NOCaL，即利用光场的神经里程计与标定（Neural odometry and Calibration using Light fields），一种能够解释未经标定且先前未见过相机的半监督学习架构。NOCaL 学习估计相机参数、相对位姿和场景外观。它采用在大量现有相机和场景上预训练的场景渲染超网络，并利用小型监督训练集来约束度量尺度，从而适应先前未见的相机。我们在常规相机的渲染与实拍图像上演示了 NOCaL，展示了无需标定的里程计和新视角合成。本工作朝着自动解释通用相机几何与新兴成像技术迈出了关键一步。