CVPRMar, 2022

EPro-PnP: 单目物体姿态估计的端到端概率透视 n 点推广

PDF
TL;DR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。
3d object localizationperspective-n-pointsdeep learningprobabilistic pnpse(3) manifold
发现论文，激发创造
  • EPro-PnP: 单目对象姿态估计的通用端到端概率透视 n 点算法

    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

  • 利用鲁棒可微几何优化端到端解决盲视角 N 点问题

    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

  • 基于点线的相机位姿不确定性感知估计

    通过考虑特征的 2D 和 3D 坐标的不确定性，提出了一种基于 EPnP 和 DLS 的 PnP (L) 求解器，将其应用于机器人和 AR / VR 系统中的相机定位，实验表明该方法在准确度方面优于现有算法，并使位姿估计出现提高。

    Jul, 2021

  • 通过反向传播 PnP 优化实现端到端可学习的几何视觉

    BPnP 是一种全新的网络模块，可以在神经网络的参数更新过程中通过将反向传播的梯度通过透视 n 点（PnP）求解器引导，从而将深度学习和几何视觉进行无缝结合。

    Sep, 2019

  • MLPnP - 透视 n 点问题的实时最大似然解

    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

  • 学习 2D-3D 对应关系以解决盲目透视 n 点问题

    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

  • MonoRUn: 单目三维物体检测通过重建和不确定性传播

    提出了一种名为 MonoRUn 的检测框架，该框架通过自我监督学习，仅使用简单的三维边界框注释学习密集的对应关系和几何学，并利用不确定性感知的区域重建网络来回归像素相关的三维目标坐标，并利用预测的不确定性通过整个下游模块，实现对象姿态的估计和协方差，实验表明该方法在 KITTI 基准测试中优于当前最先进的方法。

    Mar, 2021

  • 单阶段 6D 物体位姿估计

    本文介绍了一种基于深度学习的 6D 姿态估计架构，能够直接从对应点回归 6D 姿态，并提出了单阶段 6D 姿态估计框架，能够在准确性和速度方面显著优于现有的双阶段框架。

    Nov, 2019

  • KVN：具有可微分 RANSAC 的关键点投票网络用于立体姿态估计

    本文介绍了一种使用可微分 RANSAC 层和基于不确定性的多视图 PnP 求解器对基于立体图像的物体姿态估计问题进行解决的方法，并在公开数据集上进行了评估，取得了与其他最近方法相比的最新结果。

    Jul, 2023

  • 二维姿态估计的 PnP 算法

    我们提出了一种应用于二维运动的相机受限的 PnP 算法，通过降低搜索空间的维度，提高了性能，并减少了姿态估计的模糊度。该算法使用几何标准找到一个近似解，并通过迭代进行预测的优化。我们将该算法与现有的三维 PnP 算法在一般和共面点配置的情况下进行了比较。

    Dec, 2023