多相机机架出厂标定会随热胀与振动漂移：RECALL 用一次前向推理在 0.12 毫秒内重估十相机内外参
核心概要
可移动多相机机架出厂时已标定，但重新摆放、热循环与振动会让标定持续漂移，传统光束法平差需要重新采集多视角并做全局优化，代价随相机数增长，难以实时。RECALL 以出厂标定为锚点，从对已知物体的一次简短观测出发，单次前向推理预测整机的共享全局旋转与各相机小幅漂移，并在网络内用学习到的 Gauss-Newton 步求解共享旋转规范。在合成十相机基准上，其参数误差低于逐相机与机架耦合联合光束法平差，单机架耗时 0.12 毫秒。
深度剖析
多相机机架重新摆放后不必再做离线多视角采集和全局优化，一次前向推理就能给出各相机当前的内参与外参。 出厂标定会因热胀冷缩、运输与安装的机械冲击和振动、支架磨损以及镜头污渍而漂移，逐相机光束法平差和机架耦合联合光束法平差都要重新采集并做代价随相机数增长的优化。 在合成十相机基准上，RECALL 的绝对旋转误差为 0.26 度、焦距误差 5.43 像素，机架耦合联合光束法平差分别为 0.47 度和 8.88 像素，逐相机平差为 2.30 度和 503.88 像素；RECALL 单机架耗时 0.12 毫秒。
预测被写成整机共享的全局旋转与各相机相对出厂值的小幅漂移两部分，漂移部分保持小而可回归。 共享全局旋转是耦合所有相机的病态量，若用池化回归器一次性给出，即使相机间相对几何准确，绝对朝向仍会留下残差。 网络以出厂标定和已知物体的二维到三维对应为输入，循环地用可微投影重投影当前估计并在相机间做注意力，每一步再用一次带学习置信度与阻尼的 Gauss-Newton 迭代专门求解共享旋转增量；训练数据由采样全局旋转与逐相机漂移后投影已知物体即时合成，无需采集标定数据集。
启示与展望
演示范围限于出厂已标定、相机刚性固定、整体重新定向有界的可移动机架，输入为对已知标定物的一次简短观测及其二维到三维对应，标定物检测本身不在方法之内；真实数据上的漂移与全局重新定向是按受控幅度注入到真实采集结构上的。
模型按机架与标定物配置分别训练；自由绕光轴旋转或接近 90 度倾斜等大幅重新定向超出有界旋转假设；缺少鲁棒前端时，严重的对应点外点会降低精度；单次快照下焦距仅弱可观测，此时损失会退回出厂先验，多次快照才能提高其精度。