PRaDA: Projective Radial Distortion Averaging

📄 arXiv: 2504.16499v1 📥 PDF

作者: Daniil Sinitsyn, Linus Härenstam-Nielsen, Daniel Cremers

分类: cs.CV

发布日期: 2025-04-23

备注: Accepted at CVPR 2025. 8 pages + references

期刊: 2025 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)

DOI: 10.1109/CVPR52734.2025.02040

💡 一句话要点

提出PRaDA，在射影空间中实现鲁棒的径向畸变相机自动标定

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 相机标定 径向畸变 射影几何 运动结构恢复 特征匹配

📋 核心要点

  1. 传统径向畸变标定依赖SfM或学习方法，前者计算量大，后者精度受限。
  2. PRaDA在射影空间解耦畸变标定与3D重建，避免复杂优化，提升效率。
  3. 该方法仅依赖成对图像关系，无需构建点轨迹，适用性更强。

📝 摘要（中文）

本文致力于解决在复杂条件下径向畸变相机的自动标定问题。精确确定畸变参数通常需要1) 求解完整的运动结构恢复(SfM)问题，涉及相机姿态、3D点和畸变参数，这只有在提供大量具有足够重叠的图像时才有可能；或者2) 严重依赖于精度相对较低的基于学习的方法。本文证明了畸变标定可以与3D重建解耦，从而保持基于SfM方法的精度，同时避免许多相关的复杂性。这是通过在射影空间中工作来实现的，在该空间中，几何形状在单应性变换下是唯一的，单应性变换封装了除畸变之外的所有相机参数。我们提出的方法，即射影径向畸变平均(PRaDA)，在完全射影框架中平均多个畸变估计，而无需创建3D点和完整的捆绑调整。通过依赖于成对射影关系，我们的方法支持任何特征匹配方法，而无需构建跨多个图像的点轨迹。

🔬 方法详解

问题定义：论文旨在解决径向畸变相机的自动标定问题，尤其是在具有挑战性的场景下。现有方法主要有两种：一是基于运动结构恢复（SfM）的方法，需要同时优化相机姿态、3D点和畸变参数，计算复杂度高，且对图像数量和重叠度要求较高；二是基于学习的方法，虽然速度快，但精度通常不如SfM方法。这两种方法都存在一定的局限性。

核心思路：论文的核心思路是将畸变标定与3D重建解耦，从而避免复杂的全局优化。具体而言，该方法在射影空间中进行操作，利用射影几何的性质，将相机参数分解为单应性变换和畸变参数。通过在射影空间中平均多个畸变估计，可以在不进行3D重建的情况下实现精确的畸变标定。

技术框架：PRaDA方法的整体框架如下：1) 对输入图像进行特征提取和匹配；2) 利用特征匹配计算图像之间的成对射影关系（单应性矩阵）；3) 基于射影关系估计每对图像之间的径向畸变参数；4) 在射影空间中对多个畸变估计进行平均，得到最终的畸变参数。该方法避免了构建全局3D点云和进行全局捆绑调整。

关键创新：该方法最重要的创新点在于将畸变标定问题转化到射影空间中进行求解，从而实现了畸变标定与3D重建的解耦。与传统的SfM方法相比，该方法无需进行全局优化，计算效率更高。与基于学习的方法相比，该方法基于几何约束，精度更高。此外，该方法仅依赖于成对图像之间的关系，不需要构建跨多个图像的点轨迹，因此对特征匹配的鲁棒性要求较低。

关键设计：PRaDA方法的关键设计包括：1) 使用鲁棒的特征匹配算法，例如SIFT或ORB，以获得可靠的图像匹配；2) 使用RANSAC等方法估计图像之间的单应性矩阵，并滤除外点；3) 设计合适的畸变模型，例如Brown-Conrady模型，并使用优化算法（例如Levenberg-Marquardt算法）估计畸变参数；4) 设计合适的平均策略，例如加权平均或中值滤波，以融合多个畸变估计。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出的PRaDA方法在多个数据集上进行了实验验证，结果表明该方法能够有效地标定径向畸变相机，并且在精度和效率方面都优于现有的方法。具体而言，该方法在保持与SfM方法相当的精度的同时，显著降低了计算复杂度。此外，该方法对特征匹配的鲁棒性也较强，能够在具有挑战性的场景下取得良好的效果。具体性能数据未知。

🎯 应用场景

该研究成果可广泛应用于计算机视觉领域，例如增强现实、机器人导航、三维重建等。精确的相机标定是这些应用的基础。该方法尤其适用于资源受限的场景，例如移动设备或无人机，在这些场景中，计算资源和图像数量都受到限制。未来，该方法可以进一步扩展到其他类型的相机畸变，例如切向畸变和薄棱镜畸变。

📄 摘要（原文）

We tackle the problem of automatic calibration of radially distorted cameras in challenging conditions. Accurately determining distortion parameters typically requires either 1) solving the full Structure from Motion (SfM) problem involving camera poses, 3D points, and the distortion parameters, which is only possible if many images with sufficient overlap are provided, or 2) relying heavily on learning-based methods that are comparatively less accurate. In this work, we demonstrate that distortion calibration can be decoupled from 3D reconstruction, maintaining the accuracy of SfM-based methods while avoiding many of the associated complexities. This is achieved by working in Projective Space, where the geometry is unique up to a homography, which encapsulates all camera parameters except for distortion. Our proposed method, Projective Radial Distortion Averaging, averages multiple distortion estimates in a fully projective framework without creating 3d points and full bundle adjustment. By relying on pairwise projective relations, our methods support any feature-matching approaches without constructing point tracks across multiple images.