CVPRMar, 2022

GPV-Pose: 基于几何引导的点级投票的类别级物体姿态估计

PDF
TL;DR提出了一种基于几何学的、适用于具有严重类内形状变化的物体类别级别姿态估计系统 GPV-Pose，该系统通过引入自信驱动旋转表示法和几何引导的点对点投票模式来提高分类级别姿态敏感特征的学习，并利用不同的输出流来实现几何一致性项的推理，优于公共基准测试的最新竞争对手，同时在 20 FPS 的实时推理速度下几乎达到最佳表现。
6d object pose estimationcategory-level object pose estimationgpv-posegeometry-guided point-wise votinggeometric consistency
发现论文，激发创造
  • GS-Pose: 基于几何和语义一致的类别级目标姿态估计

    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

  • 实例自适应和几何感知关键点学习用于类别级 6D 物体姿态估计

    提出了一种新颖的 Instance-Adaptive 和 Geometric-Aware Keypoint Learning 方法，用于类别级别的 6D 物体位姿估计。实验结果表明，该方法在没有类别特定形状先验知识的情况下，明显优于现有的方法。

    Mar, 2024

  • HS-Pose: 混合范围特征提取用于类别级目标姿态估计

    本研究提出了一种名为 HS-layer 的简单网络结构，可以从点云数据中提取混合范围潜在特征，用于类别级对象姿态估计任务。使用 HS-layer 取代 GPV-Pose 基线方法中的 3D-GC 层，可以显著提高性能，在 5d2cm 指标上提高 14.5％，在 IoU75 上提高 10.3％。与现有方法相比，在 REAL275 数据集上的表现优异，较之提高 8.3％（5d2cm）和 6.9％（IoU75），且运行速度快（50 FPS） 。

    Mar, 2023

  • 基于柔性向量旋转表示的六维物体类别姿态估计

    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

  • CPPF: 面向野外环境的稳健类别级别 9D 姿态估计

    本文提出了一种新的基于点对特征的类别级别投票方法来实现野外物体的精准、鲁棒和可推广的 9D 姿态估计，并在标准基准测试中证明了该方法与目前现有技术相当。

    Mar, 2022

  • 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

  • 基于扩散模型的生成式类别级物体位姿估计: GenPose

    本文提出了一种基于条件生成建模的目标姿态估计方法，该模型采用基于得分的扩散模型来估计对象姿态，借助二步过程（似然度估计和均值池化）从扩散模型中抽样候选项并综合其结果，约束了不确定性。该方法在 REAL275 数据集上实现了最先进的性能，且不需要微调即可适应具有相似对称性质的新类别，且能够产生与当前最先进的基线相当的结果。

    Jun, 2023

  • 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

  • GS-Pose：通用分割 6D 物体位姿估计的级联框架

    GS-Pose 是一个端到端的定位和估计物体 6D 姿态的框架，通过构建三种不同的表示形式，利用逐步定位、检索方法和渲染比较方法，以适应各个阶段的合适物体表示，并利用可用的工具链和常见硬件进行新对象的数据捕捉和数据库添加。在 LINEMOD 和 OnePose-LowTexture 数据集上进行广泛评估，取得了卓越的性能，建立了新的最先进技术。

    Mar, 2024

  • 点云的通用类别姿态估计

    该论文介绍了一种通过使用几何特征来估计点云的位姿而无需分类信息的方法，该方法可以成功地在 CAMERA25 数据集和 ModelNet40 数据集上实现无分类信息实例的位姿标注。

    Mar, 2024