ECCVMar, 2022

MatchNorm: 学习点云识别技术用于 6D 物体位姿在真实环境中的估计

PDF
TL;DR本文提出了一种新的 Match Normalization 的归一化策略和基于负对数似然的损失函数的应用，用于解决学习式 D 目标对应问题在实际数据集中面临的挑战，实验表明这两个方法能够在 TUD-L, LINEMOD 和 Occluded-LINEMOD 数据集上取得显著的效果。
6d pose estimationpoint cloud datalearning-based approachesnormalization strategyloss function
发现论文，激发创造
  • 通过点云的监督学习实现 6D 物体姿态回归

    本文提出了一种利用点云深度信息并结合卷积神经网络和几何姿态优化，分别使用旋转和平移回归网络的方法来估算已知 3D 物体的 6 自由度姿态，其中通过旋转轴角表示旋转并使用测地线损失函数进行回归，实验结果在 YCB-video 数据集上明显优于现有方法。

    Jan, 2020

  • 基于点云配准驱动的三维孪生物体追踪强鲁棒特征匹配

    本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

    Sep, 2022

  • 平滑密度下的 3D 点云匹配

    提出了一种基于三维点云的全工作流程，利用卷积神经网络和全卷积层来匹配三维点云，利用兴趣点体素化光滑密度值 (SDV) 表示，从而实现旋转不变性，并在 3DMatch 基准数据集上取得了 94.9% 的平均召回率，性能比同类方法提高了 20% 以上，同时实现了高效的近实时的对应点搜索。

    Nov, 2018

  • 多模态非刚性三维形状匹配的自监督学习

    通过将基于网格的功能映射正则化与连续损失相结合的自监督多模态学习策略相结合，我们提出了一种形状匹配方法，它能够针对三角形网格、完整点云和部分观测点云获得同模式和跨模态的对应关系，并在多个基准数据集上取得了最先进的结果，具有先前未见的跨数据集普适性。

    Mar, 2023

  • 基于 SE (3) 扩散模型的点云配准方法用于鲁棒的 6D 物体位姿估计

    本研究介绍了一种基于 SE (3) 扩散模型的点云注册框架，用于实现现实场景下的 6D 物体姿态估计。我们的方法将 3D 注册任务作为一种去噪扩散过程，逐步改进源点云的姿态，以与模型点云精准对齐。通过 SE (3) 扩散过程和 SE (3) 反向过程对我们的框架进行训练。

    Oct, 2023

  • BiCo-Net: 全局回归，局部匹配，用于强韧的 6D 姿态估计

    本研究提出了一种双向对应映射网络 (BiCo-Net)，使用定向点对进行局部匹配，并结合姿态感知信息，生成并优化局部坐标及其法向量，以恢复起源于 RGB-D 图像、被分割成对象实例的物体的 6D 姿态，从而实现克服因严重遮挡和深度图像中的系统噪声而带来的挑战。实验结果表明，该方法在三个流行的基准数据集上可实现最先进的性能，尤其适用于更具挑战性的严重遮挡场景。

    May, 2022

  • 通过学习 RGB-D 特征实现鲁棒的 6D 物体姿态估计

    本文提出了一种离散连续的旋转回归公式来解决对称物体旋转不确定性问题，并通过点聚集向量来检测物体位置，并在 LINEMOD 和 YCB-Video 基准测试中得到比现有方法更好的表现。

    Feb, 2020

  • 基于深度图匹配的稳健点云配准框架

    本文提出了一种基于深度图匹配的 3D 点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。

    Mar, 2021

  • 2D3D-MatchNet：学习在 2D 图像和 3D 点云之间匹配关键点

    本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

    Apr, 2019

  • 基于学习动态模型的无监督点云配准规划

    本文利用强化学习将点云配准问题转化为一种规划问题，通过逐步缩小变换搜索空间来获得源点云和目标点云之间的最佳变换，实验结果表明我们的方法可以在无监督学习的情况下产生良好的配准性能。

    Aug, 2021