ICCVAug, 2019

RIO: 在室内变化环境中重新定位三维物体实例

PDF
TL;DR本研究介绍了三维物体实例重新定位任务，提出了使用新的数据驱动方法 —— 完全卷积三维对应网络和位姿优化来完成该任务，并使用新建立的 3RScan 数据集和基准测试来评估其性能，实现了 30.58% 的准确率。
3d object instance re-localization6dof poses estimation3rscan datasetfully-convolutional 3d correspondence networkpose optimization
发现论文，激发创造
  • 超越受控环境：在室内场景变化中的 3D 摄像机重新定位

    本文提出了 RIO10 基准测试和工具，用于评估室内场景下长期相机重新定位的表现，并探讨了不同类型场景变化对不同方法的影响，并发现长期室内重新定位是一个尚未解决的问题。

    Aug, 2020

  • InLoc: 室内稠密匹配和视角合成的视觉定位

    本文研究了室内大规模定位中基于景深匹配和虚拟视图合成的视觉方法，通过收集新的大规模数据集进行实验，证明了该方法在 6DoF 姿态预测方面明显优于现有方法。

    Mar, 2018

  • MoreFusion: 基于体素融合的多目标推理技术在 6D 位姿估计中的应用

    提出了一种基于多视角视野的实时视觉系统，可以从单个 RGB-D 视角提出三维物体姿态建议，并且根据多个视角的姿态估计和非参数占用信息积累这些姿态估计，从而对接触的多个已知对象进行一致的、不相交的姿态估计。应用于实时机器人应用程序中，只使用机载 RGB-D 视觉，机械臂可以精确而有序地拆卸复杂的物体堆放，展示了其准确性和鲁棒性。

    Apr, 2020

  • 基于全局唯一实例坐标回归的大规模联合语义重定位与场景理解

    本研究提出了一种新颖的联合语义本地化和场景理解方法，通过训练卷积神经网络，通过物体实例的自我表征和 6-DoF 相机姿态预测来实现 3D 场景坐标估计，并且相比直接姿态回归或基于场景坐标的姿态估计算法更加准确。

    Sep, 2019

  • 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

  • 从姿态中隐式学习场景几何用于全局定位

    通过利用少量的标签数据（即相机姿态），本文提出了一种学习方法，将这些标签与刚性对齐相结合，学习场景的三维几何表示，并将其用于估计相机的六自由度姿态，从而提高了定位的准确性。

    Dec, 2023

  • 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

  • 大尺寸环境下基于实时图像的六自由度定位

    该研究提出了一种基于图像的实时定位方法，通过结合一种基于二进制特征描述符的快速关键点跟踪方法和一个新的直接 2D 到 3D 匹配方法，有效地对大场景下的相机位置进行计算，并实现了实时的运行效果。

    Mar, 2012

  • 密集融合：通过迭代密集融合实现 6D 物体姿态估计

    本文提出了 DenseFusion 框架，使用异构网络结构从 RGB-D 图像中估计已知物体的 6D 位姿，并通过端对端迭代位姿细化进一步提高了姿态估计的精度和实时性。实验结果表明，我们的方法在 YCB-Video 和 LineMOD 数据集上优于现有方法，并在实际机器人应用中实现了对物体的抓取和操作。

    Jan, 2019

  • 一种混合方法的 6DoF 姿态估计

    本研究提出了一种混合方法，结合最佳实践和传统方法，采用卷积神经网络过滤高度不规则的数据，并使用点对投票方法恢复对象的姿态，该方法使用最佳性能的实例检测器和训练集进行自动方法选择。通过在 BOP 核心数据集上验证，本方法大幅优于基准方法，并成为 BOP 2020 挑战赛中最佳快速方法。

    Nov, 2020