计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载导读本文围绕 Kornia 仓库中 changelog.d/migration-003.added.md 记录的迁移变更展开Kornia 在其实验性传感器子模块kornia.sensors.camera中正式实现了Brown-Conrady、Kannala-Brandt K3、Orthographic三种可导出相机模型连同 Pinhole 在内共四种模型类型统一了畸变distortion与投影projection的管线组合、内参矩阵intrinsic matrix生成以及批量 project/unproject 支持。读完本文你将掌握CameraModel与CameraModelBase的两种构造方式、四种模型各自的参数布局与适用场景、project/unproject的底层调用链以及如何在批处理点云中正确使用这套 API。一、变更背景sensors.camera 模块的定位该变更关联 PR #4284、#4377落点在 kornia/sensors/camera/ 目录下包含三个核心实现文件camera_model.py —— 相机模型组装层定义CameraModelType枚举、CameraModelBase基类、CameraModel门面类及四种具体模型distortion_model.py —— 畸变层提供AffineTransform、BrownConradyTransform、KannalaBrandtK3Transform三种畸变/去畸变变换projection_model.py —— 投影层提供Z1Projection透视除法与OrthographicProjection正射投影。从源码注释与文档见 docs/source/sensors.camera.rst可知kornia.sensors.camera是实验性 API其设计目标是把已知相机模型Pinhole、Kannala-Brandt 等统一表达为畸变类型 × 投影类型的可组合组件并保证全程可微。该模块将来会取代kornia.geometry.camera但当前两者按设计保持分离数学映射一致却在输入类型Vector对象 vs 裸张量、相机轴广播方式、投影舍入、零/近零深度处理上存在差异记录于 issue #4274。二、四种相机模型类型与参数布局2.1CameraModelType枚举CameraModelType 定义在kornia/sensors/camera/camera_model.py枚举值数值说明PINHOLE0标准透视投影无畸变BROWN_CONRADY1径向 切向畸变模型常用于广角镜头KANNALA_BRANDT_K32鱼眼畸变模型采用 9 阶多项式等距投影近似ORTHOGRAPHIC3平行投影光线垂直于像平面无透视效果2.2 每种模型的参数向量长度与顺序参数向量params的尾维长度由畸变模型决定这是整套 API 的硬约束。源码中通过_PARAMS_LEN_FOR_DISTORTION字典camera_model.py将畸变类型映射到参数长度模型类畸变/投影组件参数形状参数顺序PinholeModelAffineTransformZ1Projection(4,)或(B, 4)(fx, fy, cx, cy)OrthographicAffineTransformOrthographicProjection(4,)或(B, 4)(fx, fy, cx, cy)BrownConradyModelBrownConradyTransformZ1Projection(12,)或(B, 12)(fx, fy, cx, cy, k1, k2, p1, p2, k3, k4, k5, k6)KannalaBrandtK3KannalaBrandtK3TransformZ1Projection(8,)或(B, 8)(fx, fy, cx, cy, kb0, kb1, kb2, kb3)其中 Brown-Conrady 的前 4 个值为内参、后 8 个为畸变系数Kannala-Brandt K3 的后 4 个为鱼眼多项式系数。参数长度由各类型化构造器强制校验PinholeModel.__init__、BrownConradyModel.__init__、KannalaBrandtK3.__init__、Orthographic.__init__均会检查尾维长度且拒绝秩大于 2 的张量否则抛出ValueError例如params must be of shape (B, 12) for BROWN_CONRADY Camera。在直接构造CameraModelBase的路径上基类__init__也会通过_validate_params施加同样的校验避免出现参数过短延迟到畸变模型内部抛IndexError的隐蔽错误。三、两种构造方式CameraModel 与 CameraModelBase3.1 通过CameraModel门面类按类型枚举选择CameraModel是面向用户的入口接收image_size、model_type和params内部通过get_model_from_type分发到具体模型类并以__getattr__透明转发全部属性与方法import torch from kornia.image import ImageSize from kornia.sensors.camera import CameraModel, CameraModelType # Pinholefx, fy, cx, cy cam CameraModel(ImageSize(480, 640), CameraModelType.PINHOLE, torch.tensor([328., 328., 320., 240.])) # Brown-Conrady12 参数4 内参 8 畸变系数 cam CameraModel( ImageSize(480, 640), CameraModelType.BROWN_CONRADY, torch.tensor([1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]), ) # Kannala-Brandt K38 参数4 内参 4 鱼眼系数 cam CameraModel( ImageSize(480, 640), CameraModelType.KANNALA_BRANDT_K3, torch.tensor([1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]), ) # Orthographic4 参数 cam CameraModel(ImageSize(480, 640), CameraModelType.ORTHOGRAPHIC, torch.tensor([328., 328., 320., 240.])) print(cam.params) # tensor([328., 328., 320., 240.])3.2 通过CameraModelBase自由组合自定义模型CameraModelBase接受显式的畸变与投影组件适用于定义自定义相机模型import torch from kornia.image import ImageSize from kornia.sensors.camera import CameraModelBase from kornia.sensors.camera.distortion_model import AffineTransform from kornia.sensors.camera.projection_model import Z1Projection cam CameraModelBase(AffineTransform(), Z1Projection(), ImageSize(480, 640), torch.tensor([328., 328., 320., 240.]))CameraModelBase.__init__的签名是(distortion, projection, image_size, params)。由于畸变有 3 种、投影有 2 种理论上可自由组合出 6 种模型仓库内置的 4 种模型正是其中 4 个合理的组合Pinhole 与 Orthographic 共用AffineTransform仅内参区别只在于投影层。3.3 参数校验规则params必须是秩 1 的(N,)或秩 2 的(B, N)尾维长度必须等于对应畸变模型读取的长度4 / 12 / 8违反时抛出带明确模型名与形状信息的ValueErrorcamera_model.py测试侧对该规则有完整覆盖见 tests/sensors/camera/test_camera_model.py 中针对四种模型类型分别验证非法参数抛ValueError的用例。四、内参矩阵matrix() 与 K() 别名所有相机模型通过CameraModelBase.matrix()返回(*, 3, 3)的内参矩阵KK()是等价别名K [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]其实现从params中逐项取出fx/fy/cx/cyfx、fy、cx、cy属性分别返回params[..., 0..3]堆叠三行后把右下角置 1。矩阵携带params的 batch 轴因此批量相机得到(B, 3, 3)。源码文档特别指出这与kornia.geometry.camera.pinhole.PinholeCamera存储的(B, 4, 4)intrinsics不同——后者需要通过camera_matrix属性取出(B, 3, 3)块。即sensors.camera直接给出 3×3 的 K无 4×4 包装层。此外PinholeModel.scale(scale_factor)提供缩放能力返回新模型焦距、主点与图像尺寸全部乘以缩放因子fx s·fx、cx s·cx的半像素规则例如cam.scale(2)后params变为[656., 656., 640., 480.]。五、project / unproject 管线畸变与投影的组合调用链5.1 核心组合公式CameraModelBase中project与unproject是两个方向的组合调用camera_model.pydef project(self, points: Vector3) - Vector2: # 先透视投影到 z1 归一化平面再做畸变到像素 return self.distortion.distort(self.params, self.projection.project(points)) def unproject(self, points: Vector2, depth: torch.Tensor) - Vector3: # 先像素去畸变回 z1 归一化平面再按深度抬升回相机系 return self.projection.unproject(self.distortion.undistort(self.params, points), depth)调用链可拆解为project: 相机系3D点 (Vector3) → Z1/Orthographic 投影 → z1 归一化平面 (Vector2) → Affine/BrownConrady/KannalaBrandt 畸变 → 像素坐标 (Vector2) unproject: 像素坐标 (Vector2) → 畸变模型去畸变 → z1 归一化平面 → 投影模型按 depth 抬升 → 相机系3D点 (Vector3)5.2 三个畸变层的实现AffineTransform纯内参映射u fx·x cx、v fy·y cydistort与x (u − cx)/fx、y (v − cy)/fyundistort。unproject 侧有闭式逆无迭代distortion_model.py。BrownConradyTransform从params拆分出 K 与后 8 个畸变系数params[..., 4:]底层委托给kornia.geometry.calibration.distort_points/undistort_points并以单位矩阵作为new_Kdistortion_model.py。KannalaBrandtK3Transform鱼眼模型底层委托kornia.geometry.camera.distortion_kannala_brandt模块的distort_points_kannala_brandt/undistort_points_kannala_brandtdistortion_model.py。5.3 两个投影层的实现Z1Projection透视除法xy / z无 epsilon、无校验——z 0的点投影为无穷分子亦为 0 时得到nanz 0相机后方的点得到有限坐标。unproject中depth是相机系 z 坐标结果第三维等于传入的 depth 而非欧氏射线长度Python 标量 depth 会自动提升为与 points 同设备同 dtype 的一元素张量projection_model.py。OrthographicProjection保留 x、y 不变并丢弃 z物体不随距离缩小底层委托project_points_orthographic/unproject_points_orthographicprojection_model.py。5.4 使用示例from kornia.geometry.vector import Vector2, Vector3 # project相机系点 → 像素 points Vector3(torch.tensor([1.0, 1.0, 1.0])) cam CameraModel(ImageSize(480, 640), CameraModelType.PINHOLE, torch.tensor([328., 328., 320., 240.])) cam.project(points) # x: 648.0, y: 568.0 # unproject像素 depth → 相机系点 pts Vector2(torch.tensor([1.0, 1.0])) cam.unproject(pts, torch.tensor([1.0])) # x ≈ -0.9726, y ≈ -0.7287, z 1.05.5 与 kornia.geometry.camera 的差异重要源码的 Convention 块明确列出了与kornia.geometry.camera的几点关键差异输入类型本 API 只接受Vector对象裸torch.Tensor会触发AttributeErrorgeometry侧接受裸张量。两套类型系统按设计分离issue #4274。投影实现project直接除以 z而project_points乘以 z 的倒数并在abs(z) 1e-8时跳过除法——阈值附近舍入结果可能不同[1, 2, 0]在本 API 得到无穷、在 geometry 侧得到有限像素issue #4267。广播语义对(B, N, 3)/(B, N, 2)点云本 API 将(B,)的内参分量直接作用于(B, N)坐标对齐点轴geometry 函数则插入单点轴、沿相机 batch 轴应用内参。当B N 1时两套 API 会把内参与不同点关联B 2, N 3时本 API 直接抛RuntimeError。因此仅更换点容器与 depth 形状不足以完成批量点云迁移。六、批量支持与验证6.1 批量参数与批量点所有模型构造器均接受(B, N)形式的批量参数project/unproject支持带前导 batch 维的点。基础校验逻辑在_validate_params中统一处理秩 1/2 之外的形状直接拒绝杜绝了rank-3 的(B, 1, N)张量被静默投影成错误的(1, 1, 2)结果这类隐患。6.2 测试覆盖仓库测试位于 tests/sensors/camera/ 下三个文件分别覆盖相机模型、畸变模型与投影模型test_camera_model.py使用非对称 fixturefx100 ≠ fy50、cx4 ≠ cy3、非方形 6×8 图像验证参数顺序读取、非法参数抛ValueError、四种模型类型的 smoke test 等共 641 行test_distortion_model.py 与 test_projection_model.py分别验证三类畸变变换与两类投影的前后向一致性。七、当前 API 的注意事项与限制实验性状态kornia.sensors.camera为实验性 API未来可能变化最终将取代kornia.geometry.camera但目前两者并存、按设计分离。参数长度强约束不同模型对params尾维有硬性长度要求4/8/12批量时须保持(B, N)形状切勿传入(B, 1, N)。z0 行为透视投影对z 0的点不报错而是产出无穷/NaN若需稳健行为请在调用侧自行过滤深度。批处理点云广播批量点云场景下本 API 与kornia.geometry.camera的广播语义不同混用两套 API 处理同一批数据可能得到错误关联迁移前务必阅读源码中的 Convention 块camera_model.py。结语migration-003这次变更把 Kornia 的传感器相机能力从单一的 Pinhole 扩展为Pinhole / Brown-Conrady / Kannala-Brandt K3 / Orthographic 四种可导出模型并通过畸变 × 投影的可组合架构、CameraModel/CameraModelBase双入口、严格参数校验、Vector类型化的 project/unproject 与批量支持为 Spatial AI 中的相机标定、多传感器融合与可微渲染提供了统一的底层基础设施。如需继续深入建议阅读 camera_model.py 的完整 Convention 块、distortion_model.py 中三类畸变的数学实现以及 docs/source/sensors.camera.rst 的 API 文档与三个测试文件中的数值校验用例。赞分享计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载相关推荐Mermaid Live Editor三步掌握免费在线图表编辑的终极指南Mermaid Live Editor三步掌握免费在线图表编辑的终极指南 你是否曾经为制作技术文档中的流程图而烦恼或者需要快速绘制项目时间线却找不到合适的工计算机视觉深度学习人工智能图像处理一条网盘直链把百度网盘、阿里云盘的文件交给 IDM 和 Aria2一条网盘直链把百度网盘、阿里云盘的文件交给 IDM 和 Aria2 想用 IDM 下载百度网盘的文件却只能等浏览器慢慢存 Online disk dire计算机视觉深度学习人工智能图像处理炉石传说插件HsMod完整上手指南50多项功能从安装到实战一次讲透炉石传说插件HsMod完整上手指南50多项功能从安装到实战一次讲透 深夜十一点你刚攒下两百个卡包却一想到要一包一包手动点开就犯困——这正是很多人第一次搜索计算机视觉深度学习人工智能图像处理上一篇Element Plus颜色选择器ColorPicker颜色选择与自定义下一篇彻底解决SmartDNS 53端口冲突从原理到实战的完美方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Kornia 传感器相机模型实现解读：Brown-Conrady、Kannala-Brandt K3 与 Orthographic 的可微投影管线
计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载导读本文围绕 Kornia 仓库中 changelog.d/migration-003.added.md 记录的迁移变更展开Kornia 在其实验性传感器子模块kornia.sensors.camera中正式实现了Brown-Conrady、Kannala-Brandt K3、Orthographic三种可导出相机模型连同 Pinhole 在内共四种模型类型统一了畸变distortion与投影projection的管线组合、内参矩阵intrinsic matrix生成以及批量 project/unproject 支持。读完本文你将掌握CameraModel与CameraModelBase的两种构造方式、四种模型各自的参数布局与适用场景、project/unproject的底层调用链以及如何在批处理点云中正确使用这套 API。一、变更背景sensors.camera 模块的定位该变更关联 PR #4284、#4377落点在 kornia/sensors/camera/ 目录下包含三个核心实现文件camera_model.py —— 相机模型组装层定义CameraModelType枚举、CameraModelBase基类、CameraModel门面类及四种具体模型distortion_model.py —— 畸变层提供AffineTransform、BrownConradyTransform、KannalaBrandtK3Transform三种畸变/去畸变变换projection_model.py —— 投影层提供Z1Projection透视除法与OrthographicProjection正射投影。从源码注释与文档见 docs/source/sensors.camera.rst可知kornia.sensors.camera是实验性 API其设计目标是把已知相机模型Pinhole、Kannala-Brandt 等统一表达为畸变类型 × 投影类型的可组合组件并保证全程可微。该模块将来会取代kornia.geometry.camera但当前两者按设计保持分离数学映射一致却在输入类型Vector对象 vs 裸张量、相机轴广播方式、投影舍入、零/近零深度处理上存在差异记录于 issue #4274。二、四种相机模型类型与参数布局2.1CameraModelType枚举CameraModelType 定义在kornia/sensors/camera/camera_model.py枚举值数值说明PINHOLE0标准透视投影无畸变BROWN_CONRADY1径向 切向畸变模型常用于广角镜头KANNALA_BRANDT_K32鱼眼畸变模型采用 9 阶多项式等距投影近似ORTHOGRAPHIC3平行投影光线垂直于像平面无透视效果2.2 每种模型的参数向量长度与顺序参数向量params的尾维长度由畸变模型决定这是整套 API 的硬约束。源码中通过_PARAMS_LEN_FOR_DISTORTION字典camera_model.py将畸变类型映射到参数长度模型类畸变/投影组件参数形状参数顺序PinholeModelAffineTransformZ1Projection(4,)或(B, 4)(fx, fy, cx, cy)OrthographicAffineTransformOrthographicProjection(4,)或(B, 4)(fx, fy, cx, cy)BrownConradyModelBrownConradyTransformZ1Projection(12,)或(B, 12)(fx, fy, cx, cy, k1, k2, p1, p2, k3, k4, k5, k6)KannalaBrandtK3KannalaBrandtK3TransformZ1Projection(8,)或(B, 8)(fx, fy, cx, cy, kb0, kb1, kb2, kb3)其中 Brown-Conrady 的前 4 个值为内参、后 8 个为畸变系数Kannala-Brandt K3 的后 4 个为鱼眼多项式系数。参数长度由各类型化构造器强制校验PinholeModel.__init__、BrownConradyModel.__init__、KannalaBrandtK3.__init__、Orthographic.__init__均会检查尾维长度且拒绝秩大于 2 的张量否则抛出ValueError例如params must be of shape (B, 12) for BROWN_CONRADY Camera。在直接构造CameraModelBase的路径上基类__init__也会通过_validate_params施加同样的校验避免出现参数过短延迟到畸变模型内部抛IndexError的隐蔽错误。三、两种构造方式CameraModel 与 CameraModelBase3.1 通过CameraModel门面类按类型枚举选择CameraModel是面向用户的入口接收image_size、model_type和params内部通过get_model_from_type分发到具体模型类并以__getattr__透明转发全部属性与方法import torch from kornia.image import ImageSize from kornia.sensors.camera import CameraModel, CameraModelType # Pinholefx, fy, cx, cy cam CameraModel(ImageSize(480, 640), CameraModelType.PINHOLE, torch.tensor([328., 328., 320., 240.])) # Brown-Conrady12 参数4 内参 8 畸变系数 cam CameraModel( ImageSize(480, 640), CameraModelType.BROWN_CONRADY, torch.tensor([1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]), ) # Kannala-Brandt K38 参数4 内参 4 鱼眼系数 cam CameraModel( ImageSize(480, 640), CameraModelType.KANNALA_BRANDT_K3, torch.tensor([1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0]), ) # Orthographic4 参数 cam CameraModel(ImageSize(480, 640), CameraModelType.ORTHOGRAPHIC, torch.tensor([328., 328., 320., 240.])) print(cam.params) # tensor([328., 328., 320., 240.])3.2 通过CameraModelBase自由组合自定义模型CameraModelBase接受显式的畸变与投影组件适用于定义自定义相机模型import torch from kornia.image import ImageSize from kornia.sensors.camera import CameraModelBase from kornia.sensors.camera.distortion_model import AffineTransform from kornia.sensors.camera.projection_model import Z1Projection cam CameraModelBase(AffineTransform(), Z1Projection(), ImageSize(480, 640), torch.tensor([328., 328., 320., 240.]))CameraModelBase.__init__的签名是(distortion, projection, image_size, params)。由于畸变有 3 种、投影有 2 种理论上可自由组合出 6 种模型仓库内置的 4 种模型正是其中 4 个合理的组合Pinhole 与 Orthographic 共用AffineTransform仅内参区别只在于投影层。3.3 参数校验规则params必须是秩 1 的(N,)或秩 2 的(B, N)尾维长度必须等于对应畸变模型读取的长度4 / 12 / 8违反时抛出带明确模型名与形状信息的ValueErrorcamera_model.py测试侧对该规则有完整覆盖见 tests/sensors/camera/test_camera_model.py 中针对四种模型类型分别验证非法参数抛ValueError的用例。四、内参矩阵matrix() 与 K() 别名所有相机模型通过CameraModelBase.matrix()返回(*, 3, 3)的内参矩阵KK()是等价别名K [[fx, 0, cx], [0, fy, cy], [0, 0, 1]]其实现从params中逐项取出fx/fy/cx/cyfx、fy、cx、cy属性分别返回params[..., 0..3]堆叠三行后把右下角置 1。矩阵携带params的 batch 轴因此批量相机得到(B, 3, 3)。源码文档特别指出这与kornia.geometry.camera.pinhole.PinholeCamera存储的(B, 4, 4)intrinsics不同——后者需要通过camera_matrix属性取出(B, 3, 3)块。即sensors.camera直接给出 3×3 的 K无 4×4 包装层。此外PinholeModel.scale(scale_factor)提供缩放能力返回新模型焦距、主点与图像尺寸全部乘以缩放因子fx s·fx、cx s·cx的半像素规则例如cam.scale(2)后params变为[656., 656., 640., 480.]。五、project / unproject 管线畸变与投影的组合调用链5.1 核心组合公式CameraModelBase中project与unproject是两个方向的组合调用camera_model.pydef project(self, points: Vector3) - Vector2: # 先透视投影到 z1 归一化平面再做畸变到像素 return self.distortion.distort(self.params, self.projection.project(points)) def unproject(self, points: Vector2, depth: torch.Tensor) - Vector3: # 先像素去畸变回 z1 归一化平面再按深度抬升回相机系 return self.projection.unproject(self.distortion.undistort(self.params, points), depth)调用链可拆解为project: 相机系3D点 (Vector3) → Z1/Orthographic 投影 → z1 归一化平面 (Vector2) → Affine/BrownConrady/KannalaBrandt 畸变 → 像素坐标 (Vector2) unproject: 像素坐标 (Vector2) → 畸变模型去畸变 → z1 归一化平面 → 投影模型按 depth 抬升 → 相机系3D点 (Vector3)5.2 三个畸变层的实现AffineTransform纯内参映射u fx·x cx、v fy·y cydistort与x (u − cx)/fx、y (v − cy)/fyundistort。unproject 侧有闭式逆无迭代distortion_model.py。BrownConradyTransform从params拆分出 K 与后 8 个畸变系数params[..., 4:]底层委托给kornia.geometry.calibration.distort_points/undistort_points并以单位矩阵作为new_Kdistortion_model.py。KannalaBrandtK3Transform鱼眼模型底层委托kornia.geometry.camera.distortion_kannala_brandt模块的distort_points_kannala_brandt/undistort_points_kannala_brandtdistortion_model.py。5.3 两个投影层的实现Z1Projection透视除法xy / z无 epsilon、无校验——z 0的点投影为无穷分子亦为 0 时得到nanz 0相机后方的点得到有限坐标。unproject中depth是相机系 z 坐标结果第三维等于传入的 depth 而非欧氏射线长度Python 标量 depth 会自动提升为与 points 同设备同 dtype 的一元素张量projection_model.py。OrthographicProjection保留 x、y 不变并丢弃 z物体不随距离缩小底层委托project_points_orthographic/unproject_points_orthographicprojection_model.py。5.4 使用示例from kornia.geometry.vector import Vector2, Vector3 # project相机系点 → 像素 points Vector3(torch.tensor([1.0, 1.0, 1.0])) cam CameraModel(ImageSize(480, 640), CameraModelType.PINHOLE, torch.tensor([328., 328., 320., 240.])) cam.project(points) # x: 648.0, y: 568.0 # unproject像素 depth → 相机系点 pts Vector2(torch.tensor([1.0, 1.0])) cam.unproject(pts, torch.tensor([1.0])) # x ≈ -0.9726, y ≈ -0.7287, z 1.05.5 与 kornia.geometry.camera 的差异重要源码的 Convention 块明确列出了与kornia.geometry.camera的几点关键差异输入类型本 API 只接受Vector对象裸torch.Tensor会触发AttributeErrorgeometry侧接受裸张量。两套类型系统按设计分离issue #4274。投影实现project直接除以 z而project_points乘以 z 的倒数并在abs(z) 1e-8时跳过除法——阈值附近舍入结果可能不同[1, 2, 0]在本 API 得到无穷、在 geometry 侧得到有限像素issue #4267。广播语义对(B, N, 3)/(B, N, 2)点云本 API 将(B,)的内参分量直接作用于(B, N)坐标对齐点轴geometry 函数则插入单点轴、沿相机 batch 轴应用内参。当B N 1时两套 API 会把内参与不同点关联B 2, N 3时本 API 直接抛RuntimeError。因此仅更换点容器与 depth 形状不足以完成批量点云迁移。六、批量支持与验证6.1 批量参数与批量点所有模型构造器均接受(B, N)形式的批量参数project/unproject支持带前导 batch 维的点。基础校验逻辑在_validate_params中统一处理秩 1/2 之外的形状直接拒绝杜绝了rank-3 的(B, 1, N)张量被静默投影成错误的(1, 1, 2)结果这类隐患。6.2 测试覆盖仓库测试位于 tests/sensors/camera/ 下三个文件分别覆盖相机模型、畸变模型与投影模型test_camera_model.py使用非对称 fixturefx100 ≠ fy50、cx4 ≠ cy3、非方形 6×8 图像验证参数顺序读取、非法参数抛ValueError、四种模型类型的 smoke test 等共 641 行test_distortion_model.py 与 test_projection_model.py分别验证三类畸变变换与两类投影的前后向一致性。七、当前 API 的注意事项与限制实验性状态kornia.sensors.camera为实验性 API未来可能变化最终将取代kornia.geometry.camera但目前两者并存、按设计分离。参数长度强约束不同模型对params尾维有硬性长度要求4/8/12批量时须保持(B, N)形状切勿传入(B, 1, N)。z0 行为透视投影对z 0的点不报错而是产出无穷/NaN若需稳健行为请在调用侧自行过滤深度。批处理点云广播批量点云场景下本 API 与kornia.geometry.camera的广播语义不同混用两套 API 处理同一批数据可能得到错误关联迁移前务必阅读源码中的 Convention 块camera_model.py。结语migration-003这次变更把 Kornia 的传感器相机能力从单一的 Pinhole 扩展为Pinhole / Brown-Conrady / Kannala-Brandt K3 / Orthographic 四种可导出模型并通过畸变 × 投影的可组合架构、CameraModel/CameraModelBase双入口、严格参数校验、Vector类型化的 project/unproject 与批量支持为 Spatial AI 中的相机标定、多传感器融合与可微渲染提供了统一的底层基础设施。如需继续深入建议阅读 camera_model.py 的完整 Convention 块、distortion_model.py 中三类畸变的数学实现以及 docs/source/sensors.camera.rst 的 API 文档与三个测试文件中的数值校验用例。赞分享计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载相关推荐Mermaid Live Editor三步掌握免费在线图表编辑的终极指南Mermaid Live Editor三步掌握免费在线图表编辑的终极指南 你是否曾经为制作技术文档中的流程图而烦恼或者需要快速绘制项目时间线却找不到合适的工计算机视觉深度学习人工智能图像处理一条网盘直链把百度网盘、阿里云盘的文件交给 IDM 和 Aria2一条网盘直链把百度网盘、阿里云盘的文件交给 IDM 和 Aria2 想用 IDM 下载百度网盘的文件却只能等浏览器慢慢存 Online disk dire计算机视觉深度学习人工智能图像处理炉石传说插件HsMod完整上手指南50多项功能从安装到实战一次讲透炉石传说插件HsMod完整上手指南50多项功能从安装到实战一次讲透 深夜十一点你刚攒下两百个卡包却一想到要一包一包手动点开就犯困——这正是很多人第一次搜索计算机视觉深度学习人工智能图像处理上一篇Element Plus颜色选择器ColorPicker颜色选择与自定义下一篇彻底解决SmartDNS 53端口冲突从原理到实战的完美方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考