rdnet

rdnet数据集是一个用于评估径向畸变下相对位姿估计的新基准，包含两个场景，使用不同相机和多种畸变拍摄的照片。数据集旨在解决相对位姿估计问题，特别是在存在径向畸变的情况下。数据集的创建过程涉及使用不同相机拍摄多个场景，并引入径向畸变，以模拟现实世界中的相机行为。该数据集可用于评估不同算法在处理实际相机数据时的性能，并有助于开发更准确的位姿估计方法。The RDNet dataset is a novel benchmark for evaluating relative pose estimation under radial distortion. It comprises two scenarios, with photographs captured using different cameras and a range of distortion levels. This dataset aims to address the relative pose estimation problem, particularly in scenarios where radial distortion exists. The creation process of the dataset involves capturing multiple scenes with different cameras and introducing radial distortions to simulate real-world camera behaviors. This dataset can be used to evaluate the performance of various algorithms when processing real-world camera data, and facilitate the development of more accurate pose estimation methods.

原始信息汇总

数据集概述

数据集来源

• Rotunda和Cathedral数据集：RD Benchmark
• Phototourism数据集：IMC2020挑战赛网站
• ETH3D数据集：ETH3D官方网站
• PragueParks数据集：待定
• EuRoC MAV数据集：待定

数据集内容

• 包含用于评估径向畸变求解器的五个数据集。
• 提供已使用的匹配和GeoCalib预测数据下载链接：下载地址

数据集准备

• 针对Rotunda和Cathedral数据集，可使用prepare_bundler.py脚本生成匹配数据： shell

  生成所有匹配

  python prepare_bundler.py -f superpoint /path/to/stored_matches/rotunda_new /path/to/dataset/rotunda_new

  仅生成相同相机的匹配

  python prepare_bundler.py -f superpoint -e /path/to/stored_matches/rotunda_new /path/to/dataset/rotunda_new

  python prepare_bundler.py -n 10000 -f superpoint /path/to/stored_matches/cathedral /path/to/dataset/cathedral python prepare_bundler.py -n 10000 -f superpoint -e /path/to/stored_matches/cathedral /path/to/dataset/cathedral

数据集用途

• 用于评估径向畸变求解器在相对位姿估计中的性能。

搜集汇总

数据集介绍

构建方式

该数据集rdnet的构建旨在解决计算机视觉中相对姿态估计在径向畸变条件下的核心问题。研究团队通过结合高效的针孔相机求解器与径向畸变参数采样策略，以及基于神经网络的畸变参数预测方法，构建了一个全面的基准测试集。数据采集覆盖多种真实场景（如ETH3D室内外环境、PragueParks植被场景、EuRoC-MAV无人机序列），并新增ROTUNDA和CATHEDRAL两个高畸变多样性场景。通过RealityCapture软件标定获得地面真实值，采用单参数除法模型统一表征畸变，确保不同相机（手机、GoPro、Insta360等）的畸变参数可比性。数据预处理阶段对特征点进行合成畸变模拟，并采用SuperPoint特征匹配与LightGlue对应关系筛选，最终形成包含共享/独立内参的配对图像组。

特点

rdnet的核心价值在于其系统性的畸变参数分布设计：ROTUNDA场景涵盖4种典型畸变参数（-1.50至0.09），CATHEDRAL场景则包含42种参数（主要分布在-1.8至0区间）。数据集提供旋转误差、平移误差、畸变参数绝对误差等多维评估指标，支持对算法在极端畸变条件下的鲁棒性测试。区别于现有数据集，其创新性体现在三方面：1) 同时支持单参数除法模型与径向-切向畸变模型评估；2) 包含精确的焦距与畸变参数真值；3) 通过合成畸变与真实畸变数据的组合，实现算法在理想条件和真实噪声下的交叉验证。数据集特别强调对学习先验方法与几何求解器的公平比较，为计算机视觉领域提供了首个面向径向畸变问题的标准化评测平台。

使用方法

使用rdnet时建议分三阶段进行：首先通过config文件加载图像对与标定参数，利用内置脚本生成特征匹配结果。评估阶段可调用PoseLib集成接口，选择9pt_Fλ1λ2等径向畸变求解器或7pt_F+采样策略。关键参数包括RANSAC迭代次数（建议100-1000）、Sampson误差阈值（默认3像素）和局部优化标志位。对于学习先验方法，需预运行GeoCalib网络获取畸变预测，并通过LM优化迭代（默认30次）细化参数。数据集特别提供场景子集划分功能，支持Wild/Small/Visible三种预设畸变场景的快速切换。注意事项包括：1) 归一化图像坐标至[-0.5,0.5]区间；2) 排除畸变参数超出[-2.0,0.5]范围的异常解；3) 对共享内参场景推荐6pt_Ef求解器，独立内参场景优先10pt_Fλ1λ2求解器。所有实验代码与数据预处理流程已在GitHub开源。

背景与挑战

背景概述

rdnet数据集由捷克技术大学布拉格分校的视觉识别小组和斯洛伐克夸美纽斯大学的研究人员于2025年创建，旨在解决计算机视觉中径向畸变下的相对位姿估计问题。该数据集通过比较传统径向畸变求解器与两种新型方法的性能，挑战了在实践中有必要使用复杂径向畸变求解器的传统观点。其核心研究问题是探索在存在径向畸变的情况下，是否可以通过更简单的采样策略或基于学习的方法来替代复杂的径向畸变求解器，同时保持或提高相对位姿估计的准确性。该数据集对结构从运动（SfM）、定位系统和机器人视觉等领域具有重要影响，为相关研究提供了新的基准和工具。

当前挑战

rdnet数据集面临的主要挑战包括：1) 在径向畸变存在的情况下，传统的相对位姿估计方法精度显著下降，而现有的径向畸变求解器虽然能解决这一问题，但其计算复杂度高、实现难度大；2) 构建过程中的挑战包括需要处理不同相机设置下的径向畸变问题，创建包含多种畸变类型的真实场景数据，以及确保数据集的多样性和代表性。此外，该研究还需要验证基于采样策略和神经网络预测的方法在不同场景下的泛化能力，这要求数据集必须覆盖广泛的畸变类型和场景复杂度。

常用场景

经典使用场景

在计算机视觉领域，rdnet数据集主要用于相对姿态估计的研究，特别是在考虑径向畸变的情况下。该数据集通过提供多种不同相机设置下的图像对，为研究者提供了一个评估径向畸变校正算法的基准。经典使用场景包括在RANSAC框架内结合不同的最小求解器进行相对姿态估计，以及比较不同径向畸变模型的性能。

实际应用

在实际应用中，rdnet数据集的方法可以广泛应用于结构光三维重建、机器人导航和自动驾驶等领域。例如，在自动驾驶系统中，车辆需要快速准确地估计自身与周围环境的相对位置，而该数据集提供的简单采样策略可以在保证精度的同时显著降低计算复杂度，使其更适合实时应用。

衍生相关工作

基于rdnet数据集的研究衍生了一系列相关工作，包括改进的径向畸变模型、更高效的RANSAC变体以及结合深度学习的方法。例如，GeoCalib网络利用学习先验来预测径向畸变参数，这一思路被扩展到其他相机标定问题中。此外，该数据集还启发了对最小求解器在计算机视觉中必要性的重新思考，推动了更简单高效算法的发展。