NeurlPS 2025！普林斯顿团队成果：InFlux首破动态相机内参逐帧真值难题，重塑3D视觉评估

论文标题：InFlux: A Benchmark for Self-Calibration of Dynamic Intrinsics of Video Cameras

作者团队：普林斯顿大学

发布时间：2025年10月28日dui6

👉一键直达论文

👉Lab4AI大模型实验室论文阅读

✅Lab4AI平台提供AI导读和AI翻译等工具，辅助论文阅读。您还可以投稿复现这篇论文~

⭐核心问题​

算法假设与现实脱节： 多数三维算法假设相机内参固定，但现实中单反变焦、手机自动对焦等场景会导致内参动态变化，现有方法难以适配 “wild” 视频。​

基准数据集缺陷： 缺乏含逐帧真实内参标注的动态基准，现有基准场景单一、内参固定；部分含内参变化的数据集存在场景多样性不足或内参不准确问题，合成数据集则因域 gap 无法作为有效基准。​

校准工具与流程局限： 传统 Kalibr 工具箱在动态内参场景下存在焦距初始化偏差、主点漂移问题，且缺乏科学的采样与插值策略，难以获取高精度逐帧内参。​

⭐研究亮点​

首个动态内参真实基准： 推出 InFlux—— 首个含逐帧真实内参标注的真实世界视频基准，涵盖 386 个高分辨率视频，覆盖 126 个室内、260 个室外场景，包含变焦、对焦等多样内参变化及相机运动，填补领域空白。​

高精度校准体系： 扩展 Kalibr 工具箱，解决焦距初始化与主点漂移问题；设计科学采样策略构建查找表（LUT），结合插值方案覆盖未校准的 LFL-FD 设置，确保逐帧内参准确性。​

专业数据采集保障： 采用 ARRI Alexa Mini 相机及带 /i Technology 的 Canon、Fujinon 变焦镜头，可直接记录每帧 LFL/FD 值，搭配标定板与无人机校准，保障数据质量。​

明确领域挑战： 在 InFlux 上评估现有基线方法，揭示其在动态内参预测中的显著困难，为后续算法研发提供明确方向，推动领域从 “固定内参假设” 向 “动态内参适配” 突破。