.png){kind=icon}
返回
A Physics-Informed Neural Network-Based Camera Calibration Method
.png){kind=icon}
PRE
AI
DOI：10.1109/TIM.2026.3657513.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
相机模型标定建立了3-D物理世界与2-D图像之间的精确映射，提高了视觉测量的精度和可靠性。传统标定方法通常需要多张图像来估计非线性优化的初始值，否则会导致收敛到局部最优解。此外，它还受到参数耦合问题的影响，限制了测量精度和效率。为解决这些挑战，本研究引入了一种基于物理信息神经网络（PINN）的新型标定方法。所提出的方法将相机模型重新表述为一组约束方程，并整合到神经网络的损失函数中。此外，设计了一种多层级神经网络架构，用于建模相机成像过程中坐标系之间的分层变换。这种设计使神经网络能够捕捉并保留物理关系，确保空间信息通过成像管道的准确传播。该方法减少了非线性优化对初始值的依赖，并提高了标定精度，即使在物理信息少样本学习场景下也能保持物理可解释性。开发了一套定制化的视觉实验系统来评估该方法。实验结果表明，所提出的方法与传统方法相比，标定精度提高了29.82%，与基于BPNN的方法相比提高了30.89%。这些结果证实了该标定策略的有效性和精确性。
Keyword:
Camera calibration
camera model
few-shot learning
physics-informed neural network (PINN)
vision measurement
期刊
IF:
5.9
论文数:
2.0W
被引数:
5.8W
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
.png){kind=icon}
OAAI分享收藏
查看更多内容