La calibración precisa de un sistema LiDAR-cámara es un requisito crucial para la fusión de información 3D multimodal en sistemas de percepción. La precisión y robustez de los métodos tradicionales de calibración fuera de línea existentes son inferiores a los métodos basados en aprendizaje profundo. Mientras tanto, la mayoría de los métodos de calibración en línea basados en regresión de parámetros proyectan directamente los datos LiDAR en un plano específico, lo que conlleva a la pérdida de información y limitaciones perceptuales. En este documento se propone una red novedosa, DPCalib, una red de visualización de doble perspectiva que mitiga el problema mencionado anteriormente. Este documento propone una arquitectura de red neuronal novedosa para lograr la fusión y reutilización de la información de entrada. Diseñamos un codificador de características que extrae eficazmente características de dos vistas ortogonales utilizando mecanismos de atención. Además, proponemos un decodificador efectivo que agrega características de dos vistas, obteniendo así salidas de estimación de parámetros extrínsecos precisas. Los resultados experimentales demuestran que nuestro enfoque supera a los métodos SOTA existentes, y los experimentos de ablación validan la racionalidad y efectividad de nuestro trabajo.