.png){kind=icon}
返回
Probabilistic Camera Distortion Correction Using Deep Gaussian Processes
.png){kind=icon}
OA
AI
DOI：10.3390/jimaging12070296.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
精确的镜头畸变校正对于标定、配准、图像拼接和三维重建至关重要，特别是在低数据量的设备特定设置中，一次性或专用相机无法提供大量的标定数据集。我们针对具有高度不规则或非平稳畸变场的相机进行畸变校正，其中固定的多项式模型和通用的基于学习的校正方法可能会遇到困难。我们提出了一种基于深度高斯过程（DGPs）的框架，用于建模去畸变所需的非线性映射。关键动机在于，传统的单层高斯过程（GP）需要使用全局平滑性，而DGPs可以通过复合的潜在映射表示空间变化的行为，同时保留逐像素的预测不确定性。这种不确定性可用于下游任务中识别或降低不可靠校正区域的权重。我们在三个真实相机数据集上评估了该方法，这些数据集的畸变复杂性逐渐增加。完整的结构化采集包含每相机512条水平线和512条垂直线图像。这些并非数千张自然标定图像，但它们分别产生了RPI、Theta和Pillcam数据集的29,532、11,311和31,686个检测到的交点对应关系。这一区别对于获取大量独立图像不切实际的相机尤为重要。结果通过定性校正、不确定性图、归一化共线性误差和总训练时间进行评估。多项式标定在规则的径向RPI畸变中表现最佳，而DGP和DGP2模型在更畸变的Theta和Pillcam数据集上显示出比标准GP和轻量级MLP基线更低的归一化共线性误差分布。对于完整数据集，DGP/DGP2的总训练时间范围为2383.50秒至10092.50秒，反映了概率非平稳建模的额外计算成本。
Keyword:
lens distortion removal
camera calibration
camera distortion correction
deep gaussian processes
fisheye
wide-angle
endoscopy
期刊
J
IF:
3.3
论文数:
1.0K
被引数:
4.4K
机构
引用论文
Registration of Consecutive Frames From Wireless Capsule Endoscopy for 3D Motion Estimation.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Enhanced Checkerboard Detection Using Gaussian ProcessesHillen, M.; De Boi, I.; De Kerf, T.; Sels, S.; Cardenas De La Hoz, E.; Gladines, J.; Steenackers, G.; Penne, R.; Vanlanduit, S. 利用高斯过程增强棋盘检测. Mathematics 2023, 11, 4568. [Google Scholar] [CrossRef]Mathematics
MathematicsIF0
PREAI
分享收藏Foundation models in gastrointestinal endoscopic AI: Impact of architecture, pre-training approach and data efficiencyMEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏3D human pose estimation and action recognition using fisheye cameras: A survey and benchmark基于鱼眼相机的3D人体姿态估计与动作识别：综述与基准PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏用于高精度准直测量的鱼眼相机标定方法熊凯; 何旭; 王超; 李杰; 杨超. 高精度准直测量的鱼眼相机标定方法. 红外与激光工程. 2024, 53, 20230549-1–20230549-11. [Google Scholar] [CrossRef]
PREAI
分享收藏
查看更多内容