BiCo-Net: 全局回归，局部匹配，用于强韧的 6D 姿态估计

IJCAIMay, 2022

BiCo-Net: 全局回归，局部匹配，用于强韧的 6D 姿态估计

BiCo-Net: Regress Globally, Match Locally for Robust 6D Pose Estimation

Zelin Xu, Yichen Zhang, Ke Chen, Kui Jia

TL;DR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。

Abstract

The challenges of learning a robust 6d pose function lie in 1) severe occlusion and 2) systematic noises in depth images. Inspired by the success of point-pair features, the goal of this paper is to recover the <

6d pose rgb-d images correspondence mapping network pose regression occlusion

发现论文，激发创造

W-PoseNet: 密集对应正则化的像素对姿态回归

本文介绍了一种新的姿态估计算法 W-PoseNet，可以从输入数据中密集地回归出 6D 姿态和模型空间中的 3D 坐标。本文中提出的 W-PoseNet 相对于现有算法在 YCB-Video 和 LineMOD 等基准测试中表现出更高明显的优势。

Dec, 2019

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

GDR-Net: 基于几何引导的单目 6D 物体位姿估计直接回归网络

本研究比较了直接和间接方法，提出了一种几何引导的直接回归方法（GDR-Net）来从几何表示学习 6D 位姿，结果显示我们的方法在 LM, LM-O 和 YCB-V 数据集上显著优于现有的最先进技术

Feb, 2021

基于 RGB-D 图像的 6 自由度物体位姿估计的基于残差的密集点对点网络

利用单个 RGB-D 图像，我们引入了一种新颖的方法来计算物体的 6DoF 姿态。通过密集对应，我们回归每个可见像素的物体坐标，从而有效降低输出空间并取得出色的性能，在 6D 姿态估计中胜过大多数先前的方法，特别是在遮挡场景中具有显著改进的优势。

May, 2024

基于全局唯一实例坐标回归的大规模联合语义重定位与场景理解

本研究提出了一种新颖的联合语义本地化和场景理解方法，通过训练卷积神经网络，通过物体实例的自我表征和 6-DoF 相机姿态预测来实现 3D 场景坐标估计，并且相比直接姿态回归或基于场景坐标的姿态估计算法更加准确。

Sep, 2019

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

基于双向预测的六维物体姿态估计中的点级注意力利用

传统的几何注册方法只隐含地利用了 CAD 模型，这导致它们对观察质量的依赖性和遮挡缺陷。为了解决这个问题，本文提出了一种具有点对注意机制的双向对应预测网络，它不仅需要模型点预测对应关系，还明确地建模了观察和模型先验之间的几何相似性。我们的关键见解是，每个模型点与场景点之间的相关性为学习点对匹配提供了必要的信息。为了进一步解决特征分布差异带来的相关性噪声，我们设计了一个简单而有效的伪孪生网络来提高特征的一致性。在 LineMOD、YCB-Video 和 Occ-LineMOD 的公共数据集上的实验结果表明，所提出的方法在相同评价标准下取得了比其他最先进方法更好的性能。它的姿态估计的稳健性得到了极大的改善，特别是在遭受严重遮挡的环境中。

Aug, 2023

G2L-Net：面向实时 6D 姿态估计的全局到局部网络与嵌入向量特征

本文提出了一种新颖的 6D 物体姿态估计框架，称为 G2L-Net，它可以通过 RGB-D 检测处理点云数据来进行实时姿态估计，并在两个基准数据集上取得了最先进的性能。

Mar, 2020

单幅 RGB 帧的基于语义关键点的姿态估算

该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

Apr, 2022

学习少即是多 - 通过三维表面回归实现六自由度相机定位

本文针对如何从单个 RGB 图像中在给定的 3D 环境中预测 6D 相机姿态这一问题，通过设计并使用一个名为完全卷积神经网络的组件实现了高效、高精度和鲁棒性训练的端到端可训练的管道。令人惊奇的是，网络仅依靠单一视角的约束条件即可自动发现 3D 场景几何，甚至在没有利用场景 3D 模型的情况下，也能比现有技术更优秀。

Nov, 2017