通过反向传播 PnP 优化实现端到端可学习的几何视觉
该研究提出了一种基于端到端学习的盲 PnP 求解器,利用最近的优化问题微分研究结果将几何模型拟合集成到学习框架中,包括 Sinkhorn、RANSAC 和 PnP 算法,可有效地实现全局定位和三维场景点的快速估计
Jul, 2020
本文提出了一种用于 3D 物体检测的 PnP 基于深度学习和概率密度的可微分神经网络层,通过最小化 KL 散度来学习 2D-3D 点匹配权重,实现了端到端的姿态估计和精准的物体定位。
Mar, 2023
该论文提出了一种名为 EPro-PnP 的概率 PnP 层,用于在端到端位姿估计中输出 SE (3) 流形上的位姿分布,该原理统一了现有方法并类似于注意力机制, 成功地将 PnP 方法与任务特定的领袖之间的差距缩小,从而提高了 LineMOD 6 自由度位姿估计和 nuScenes 3D 对象检测的性能。
Mar, 2022
本文提出了一种深度 CNN 模型,该模型能够同时解决 6 自由度绝对摄像机姿态和 2D-3D 对应关系,通过全局特征匹配模块和分类模块实现了对无先验知识的 2D-3D 对应关系的盲目 PnP 问题的有效解决。
Mar, 2020
我们提出了 PnPNet,这是一种针对自动驾驶车辆中的联合感知和运动预测问题的端到端模型,通过在线生成物体轨迹并利用轨迹级特征进行运动预测,PnPNet 在两个大规模驾驶数据集上得到了验证,并显示了比现有技术更好的遮挡恢复和更准确的未来预测。
May, 2020
本论文提出了一种统计上最优解决视角 - n - 点(PnP)问题的解决方案,该方案能够考虑观测的不确定性。该方法具有鲁棒性,可以适用于任意中心相机模型,并且具有实时处理能力。
Jul, 2016
介绍了 P2P-NET,这是一个深度神经网络,可以学习两个域之间的基于点的形状表示之间的几何变换,其体系结构是一个双向点位移网络,通过从数据中学习的点对位移向量将源点集转换为具有相同基数的目标点集,并支持多种基于点的形状变换问题。
Mar, 2018
本文提出了 KeypointNet,这是一个端到端的几何推理框架,用于学习一组最优的类别特定 3D 关键点及其检测器。 通过对一张单独图片,KeypointNet 提取出用于下游任务优化的 3D 关键点,我们在 3D 姿势估计方面展示了这种框架,并提出了一个可微的目标,以寻求在两个对象视图之间恢复相对姿态的最佳关键点集。我们的模型在对象类别的不同视角和实例之间发现了几何和语义一致的关键点,重要的是,我们发现我们的端到端框架在不使用地面真值关键点注释的情况下胜过使用相同神经网络架构的完全监督基线在姿势估计任务上,在 ShapeNet 的汽车,椅子和飞机类别上可视化出发现的 3D 关键点。
Jul, 2018
本文提出了一种单目视觉里程计算法,它结合了基于几何方法和深度学习的思想,并利用两个卷积神经网络进行深度估计和光流估计。在 KITTI 数据集上的实验表明,该算法具有较强的鲁棒性和良好的性能。
Sep, 2019
本文提出了一种名为 NPBG++ 的系统用于新视角合成任务,通过使用多视角观测和静态场景的点云预测每个点的神经描述符,从而在低场景拟合时间的情况下实现高渲染逼真度,且不需要每场景优化的要求,从而在多方面优于神经点图形管道。
Mar, 2022