キャリブレーション2026/9/9arXiv:2609.10082

自動再現可能なカメラ内部キャリブレーション

Automatic Reproducible Camera Intrinsic Calibration

画像の自動選別と歪み次数の自動選択を組み合わせ、手動調整なしで高精度なカメラ内部キャリブレーションを実現するパイプラインを提案。

詳しい要約

1. どんなもの？

- カメラのintrinsic calibrationを完全自動化するパイプライン - 収集画像から高品質な画像を自動選別し、radial distortion orderも自動決定 - 対話型キャリブレーションツールに統合し、データ検査とパラメータ推定を支援 - コードとデータを公開予定

2. 先行研究と比べてどこがすごい？

- 既存のtarget-based calibrationは手動での画像選別とradial distortion orderの指定が必要 - 本研究は両方を収集データから自動決定 - 手動選別なしで4構成中最低のheld-out平均を達成 - 画像フィルタリングでheld-out reprojection errorを25%削減、order選択でさらに5%削減

3. 技術・手法の肝は？

- 反復的rejection scheme: 候補画像集合でパラメータ推定し、mean residualがmedianの倍数を超えるviewを除去 - 各候補distortion orderの下で独立に実行し、保持画像集合をそのorderのresidual scaleと整合 - distortion orderはheld-out画像で選択: intrinsicsとdistortionを固定しboard poseのみ再推定 - 追加係数が独立観測で支持されることを保証

4. どうやって有効だと検証した？

- 自前のカメラデータと5つの公開実世界データセットで実験 - 画像フィルタリングによりheld-out reprojection errorが25%削減 - order選択によりさらに5%削減 - 手動画像選別なしで4比較構成中最低のheld-out平均を達成

5. 議論はある？

- 要旨からは不明（限界や失敗ケース、計算コスト、一般化可能性についての議論は記載なし）

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない - 関連手法としてtarget-based calibration、radial distortion model、iterative rejection scheme、held-out validationが挙げられる - 同分野の定番としてZhang's method、OpenCV calibration、bundle adjustmentなどが考えられるが、要旨に記載なし

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xiangcheng Hu

分類: cs.RO, cs.CV

原文アブストラクト

Accurate camera intrinsic calibration is fundamental to robot perception, and the accuracy depends on the quality of the collected images. However, existing target-based calibration methods often require the practitioner to manually filter out high-quality images and to specify an appropriate radial distortion order. This paper presents a fully automatic intrinsic calibration pipeline that determines both from the collected data. We adopt an iterative rejection scheme that estimates parameters on a candidate image set and removes views whose mean residual exceeds a multiple of the median. Crucially, this process runs independently under each candidate distortion order, so that the retained image set is consistent with the residual scale of that order. Further, the distortion order is selected on held-out images, with the intrinsics and distortion fixed and only the board pose re-estimated, ensuring that an added coefficient is supported by independent observations. Finally, we integrate both steps into an interactive calibration tool that supports full-pipeline data inspection and parameter estimation. Experiments on our own camera data and five public real-world datasets show that image filtering reduces the held-out reprojection error by 25\%, the order selection further by 5\%, achieving the lowest held-out mean among four compared configurations without manual image selection. We will release the code and data to facilitate future research.

arXivで原文を読む →arXiv概要ページ