CVPRJun, 2021

SAR-Net：基于形状对齐和恢复的类别级别 6D 物体姿态和尺寸估计网络

PDF
TL;DR本研究提出了一种基于类别 6D 物体姿态和大小估计（COPSE）模型的方法，能够从目标物体的点云中推断出物体的 3D 旋转、平移和大小，其中主要依赖深度图像中的形状信息，并通过预测对称的点云来实现对于物体的对称对应估计，此方法在物体抓取等任务中已经应用并发挥了良好的效果。
category-level 6d object pose and size estimationpoint clouddepth channelsymmetric correspondencebaxter robot
发现论文，激发创造
  • FS-Net：一种快速的基于形状的网络，用于解耦旋转机制的类别级 6D 物体姿态估计

    本文提出了一种快速形状网络（FS-Net），用于从单眼 RGB-D 图像中实现类别级 6D 姿态和大小的估计，该网络具有高效的类别级特征提取方法和新颖的解耦式旋转机制，该方法在两个基准数据集上实验表明取得了最佳性能。

    Mar, 2021

  • CenterSnap: 单次拍摄多目标三维形状重建及分类六自由度姿态与大小估计

    本论文提出了一种基于单个视角的 RGB-D 观测对多目标 3D 重建、6D 姿态和大小估计的简单、高效、端到端的方法，并且基于 ShapeNet 和 NOCS 数据集进行了广泛实验，在新颖实际世界的目标实例 6D 姿态中获得了 12.6% 的绝对改进。

    Mar, 2022

  • 基于标准化目标坐标空间的分类别 6D 目标位姿和大小估计

    本文旨在估计 RGB-D 图像中看不见的物体实例的 6D 姿态和尺寸，通过引入归一化对象坐标空间 (NOCS) 及基于区域的神经网络，结合大量混合现实数据来训练模型，最终能够在真实环境中以鲁棒的方式估计看不见的物体实例的姿态和大小，并在标准 6D 姿态估计基准上实现业内领先水平。

    Jan, 2019

  • 级联关系和递归重建网络实现类别级 6D 物体位姿估计

    本文提出利用级联关系网络和递归重建网络进行精确的类别级别 6D 姿态估计，并通过稠密对应关系获得实例的 6D 姿态。

    Aug, 2021

  • 利用 SE（3）等变性进行自监督分类目标位姿估计

    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

  • 基于类别的三维物体感知的最优姿态和形状估计

    本文提出了一个主要解决物体类别感知问题的非凸优化模型，其中包括针对模型内部变异性的解决方案，将图形学和优化算法相结合，以提高汽车姿态估计等领域的精度和鲁棒性。

    Apr, 2021

  • 类别级别度量尺度物体形状和姿态估计

    本文提出了一种框架，该框架可从一张单独的 RGB 图像中联合估计度量尺度形状和姿态，包括度量尺度物体形状分支（MSOS）和归一化物体坐标空间分支（NOCS）等；通过验证方法评估了类别级别的物体姿态和形状。

    Sep, 2021

  • CATRE：用于类别级别目标姿态细化的迭代点云对齐

    该研究提出了一个基于点云的分类目标姿态和大小优化方法 CATRE，它能够迭代地从点云中增强初始姿态估计以产生准确的结果，并且相较于其他基于先前的对应或直接回归方法，在多个实验库中实现了竞争的结果。

    Jul, 2022

  • 基于形状先验变形的 6D 类别目标姿态与尺寸估计

    本研究提出了一种基于深度学习的方法，通过创建有关先前学习类别形状先验信息的 3D 对象模型并推断出深度观测和 3D 模型之间的密集对应关系，使得能够从 RGB-D 图像中恢复未看见的物体实例的 6D 姿态和大小。

    Jul, 2020

  • 基于后视 NOCS 的双目图像透明物体类别级别的 6D 姿态估计

    提出了一种新的基于立体影像系的分类物体姿态估计框架 StereoPose，能够有效地解决透明物体的姿态识别问题，并通过使用反视 NOCS 映射和视差注意力模块等方法，进一步优化了算法的性能。

    Nov, 2022