基于类别的三维物体感知的最优姿态和形状估计
该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法,可在没有真值姿态注释、CAD 模型和多视图监督的情况下,从单独的 3D 点云中进行类别级别的六自由度物体位姿估计, 并在多个基准测试上验证了该方法的有效性。
Oct, 2021
我们提出了一种完全通用的深度姿态估计方法,通过动态条件姿态估计和目标物体的 3D 模型表示相结合,能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。
Jun, 2019
该研究通过采用三维可变形形状模型,将三维形状重建问题转化为相机姿态和线性形状参数的联合优化,使用 Lasserre 的 SOS 松弛层次来解决问题,并通过添加一个异常值剔除层和使用新的 TLS robust 代价函数来解决 TLS 问题,研发出一个鲁棒的三维形状重建算法 Shape#,可以容忍 70% 的异常值,达到了最先进的性能。
Nov, 2019
本篇论文提出 SyntheticP3D 数据集和 CC3D 方法,结合这两种方法可以实现在只用 10% 的真实数据的情况下,与当前最先进的模型在物体位姿估计方面取得了可与之媲美结果,在采用 50% 的真实数据时还超越了 SOTA 模型 10.4%。
May, 2023
本文提出了一种基于自编码器、粒子滤波和 LatentNet 的类别水平 6D 目标姿态和形状估计方法,可用于跟踪类别中未见过的物体的 6D 姿态和估计它们的 3D 形状。
Dec, 2021
我们引入了一种扩散驱动的自监督网络,用于多目标形状重建和分类姿态估计,并且仅利用形状先验信息,通过点卷积层和图卷积层来捕捉姿态特征和形状信息,通过预训练和精炼的自监督训练范式训练我们的网络。实验证明,我们的方法明显优于最先进的自监督分类级别基准,并且甚至超过一些全监督实例级别和分类级别方法。
Mar, 2024
本文提出了一种新型的基于 3D 图卷积的流水线,用于从单目 RGB-D 图像中的分类级别 6D 姿态和尺寸估计。提出的方法利用了高效的 3D 数据增强和新型的基于向量的分解旋转表示。实验结果表明,该流水线在分类级别任务上具有最先进的性能。同时,实验证明,所提出的旋转表示比其他旋转表示更适合姿态估计任务。
Dec, 2022
本文提出了一种基于图像合成模块和基于梯度的拟合过程相结合的方法,能够通过显式地表示个别物体实例的需求,来隐式地表示整个物体类别的外观、形状和姿态,从而无需每个物体实例都有一个显式的 CAD 模型。该方法包括图像合成台阶、对应误差度量的拟合台阶和对输入参数的反向传播优化台阶,且实验证明该方法可以仅通过 2D 图像就能准确地恢复物体的方向和全姿态。
Aug, 2020
类别级别姿态估计是一项具有挑战性的任务,近期深度学习方法取得了很大进展,但常常受到需要大量数据集或精心调整的逼真模拟器的限制。为了解决这个冲突,我们提出利用从预训练基础模型中获取的几何和语义特征,通过将 2D 特征从基础模型投影到三维空间来对单个类别的物体模型进行匹配,并在训练好的匹配网络上处理对未见物体实例的新的单视图观测,这比先前方法需要的数据量显著减少。我们通过丰富的评估结果表明了这一点,并展示了比先前方法更好的性能。
Nov, 2023
提出一个基于学习生成模型和概率不确定性优化框架的方法,用于在没有对象 CAD 模型的情况下进行高质量的未知对象的三维重建和定位,并且通过引入形状和姿态的不确定性,得到了能够准确反映对象地图错误的姿态和形状不确定性。
Sep, 2023