May, 2019

PoseRBPF: 一种用于 6D 物体姿态跟踪的 Rao-Blackwellized 粒子滤波器

PDF
TL;DR该文提出了一种基于 Rao-Blackwellized 粒子滤波方法的 6D 目标姿态跟踪算法 PoseRBPF，该算法通过旋转和平移的分解实现了对对象 3D Translation 的有效估计，并且在对旋转空间精细离散方式下进行了特征嵌入的自编码神经网络的训练以获得特征嵌入代码本，以实现对任意对称对象的跟踪并仍保持足够的后验分布。该方法在两个 6D 姿态估计基准测试上实现了最先进的结果。
发现论文，激发创造
  • 使用范围相机的概率物体跟踪

    本文提出了一种利用动态贝叶斯网络进行物体 6 自由度姿态追踪的方法，在观测时考虑了物体本身和周围环境对物体的遮挡，并使用 Rao-Blackwellised 粒子滤波器实现实时姿态估计。

    May, 2015

  • EPOS：对具有对称性的物体估计 6D 姿态

    通过使用编码器 - 解码器网络以及 PnP-RANSAC 算法，估算单张 3D 模型可得的 RGB 输入图像中刚性对象的 6D 位姿，对具有全局或部分对称性的挑战性物体采用紧凑表面片段进行表示。

    Apr, 2020

  • 基于分割的 6D 物体姿态估计

    本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

    Dec, 2018

  • 6D 多目标姿态估计的耦合迭代优化

    提出了一种基于几何知识的端到端可微建构的方法，通过 BD-PnP 优化问题迭代地细化姿态估计和对应关系，并动态地删除离群值以提高准确性，从而在标准的 6D 物体姿态基准测试上实现了最新的准确性。

    Apr, 2022

  • PFRL: 无需姿态信息的强化学习在 6D 姿态估计中的应用

    通过强化学习，使用 2D 图像注释作为微弱监督的 6D 姿态信息，我们构建了一个无需真实世界 6D 标签的 6D 姿态微调模型，从而实现了优化姿态模型的有效方法。

    Feb, 2021

  • Deep-6DPose：从单个 RGB 图像中恢复 6D 物体姿态

    本文介绍了一种名为 Deep-6DPose 的端到端深度学习框架，可以从单个 RGB 图像中同时检测、分割并恢复目标实例的 6D 姿态。实验表明，Deep-6DPose 比目前基于 RGB 的多阶段姿态估计方法更快，并且在标准的姿态基准数据集上显示出与现有方法相当的好的效果。

    Feb, 2018

  • 基于语义关键点的六自由度物体位姿估计

    本文提出了一种新的方法，使用卷积网络 (ConvNet) 预测语义关键点结合可变形形状模型，从单张 RGB 图像中估计物体的连续六自由度 (6-DoF) 姿态 (三维平移和旋转)，可以应用于基于实例和类别的姿态恢复，且无论是纹理还是无纹理对象均可。实验结果表明，该方法可在杂乱背景下准确地恢复实例和类别物体的 6-DoF 姿态，并在大规模 PASCAL3D+ 数据集上显示出最先进的精度。

    Mar, 2017

  • 神经对应场用于物体姿态估计

    本文提出一种方法，通过单个 RGB 图像估计刚性物体的六自由度姿态，其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标，并借助全连接神经网络来实现神经对应场，最终使用 Kabsch-RANSAC 算法实现姿态估计，该方法在三个 BOP 数据集中都取得了最优结果。

    Jul, 2022

  • 基于 RGB-D 图像的 6 自由度物体位姿估计的基于残差的密集点对点网络

    利用单个 RGB-D 图像，我们引入了一种新颖的方法来计算物体的 6DoF 姿态。通过密集对应，我们回归每个可见像素的物体坐标，从而有效降低输出空间并取得出色的性能，在 6D 姿态估计中胜过大多数先前的方法，特别是在遮挡场景中具有显著改进的优势。

    May, 2024

  • PixTrack: 使用 NeRF 模板和特征度量对齐进行精确的 6 自由度物体位姿跟踪

    PixTrack 是一个基于视觉的对象姿态跟踪框架，使用新颖的视角综合和深度特征度量对齐方法，能够在 RGB 图像中高精度、鲁棒且无抖动地估算物体的 6DoF 姿态，无需任何数据注释或轨迹平滑。此外，该方法计算效率高，易于使用 CPU 多进程实现多物体跟踪。

    Sep, 2022