CVPRMay, 2022

OnePose：无 CAD 模型一次性物体姿态估计

PDF
TL;DR本文提出了一种名为 OnePose 的新方法，可以在没有 CAD 模型的情况下对任意类别的物体进行物体姿态估计，利用视觉定位和图形注意力网络结合进行 2D 和 3D 特征匹配，结合基于特征的姿势跟踪器，可以实现对日常家用物品 6D 姿态的实时稳定检测和跟踪。
object pose estimationvisual localizationgraph attention networkfeature-based pose trackerreal-time
发现论文，激发创造
  • 实时无缝单帧六维物体姿态预测

    该论文提出了一种单次操作的方法，可以在不需要多个阶段或检查多个假设的同时，在 RGB 图像中检测对象并预测其 6D 姿态。通过采用新的 CNN 架构和 PnP 算法，该方法可以以 50fps 的速度在 Titan X GPU 上运行，比其他最近的 CNN 方法具有更高的准确性和更适合实时处理。

    Nov, 2017

  • OSOP: 多阶段一次拍摄物体姿态估计框架

    提出一种新颖的对象检测和 6 自由度姿态估计一次性方法，无需对目标对象进行训练，通过 2D-3D 对应估计物体姿态

    Mar, 2022

  • 通过深度特征匹配进行一次性 6D 物体姿态估计的 PoseMatcher

    本文提出了一种基于 three-view 系统的 PoseMatcher 模型来进行精确的无模型一次性物体位姿估计，同时引入了 IO-Layer 进行有效信息的交叉注意力，还设计了对象点云下的基于数字图像处理的目标选取和定位算法。实验结果证明该方法在 Linemod 和 YCB-V 数据集上表现优异。

    Apr, 2023

  • 单帧 6D 物体姿态估计

    本文介绍了一种新的基于深度图像的单镜头 6D 物体姿态估计方法，使用全卷积神经网络实现，通过将三维输入数据在空间上离散化，将姿态估计视为一个回归任务来处理，在所得到的体元上局部求解。该方法是端对端优化的，不需要手动标注 6D 姿态的真实世界数据，依靠完全使用合成数据进行训练的方式得到了良好的性能。实验验证了该方法在公共基准数据集上的优异表现。

    Apr, 2020

  • MetaPose: 无需 3D 监督，快速从多视图中获得 3D 姿态

    本文介绍如何使用神经网络模型进行多摄像头人体姿势估计，在考虑多角度遮挡及联合位置不确定性情况下，使用 2D 关键点数据进行训练。相比于经典捆绑调整与弱监督单目 3D 基线方法，我们的模型在 Human3.6M 和 Ski-Pose PTZ 数据集上表现更好。

    Aug, 2021

  • MFOS: 无模型且一次性物体姿态估计

    提出了一种基于 Transformer 架构的新颖方法，用于在训练期从最少的输入中估计从未在训练中见过的物体的姿态，并在困难的 LINEMOD 基准测试中实现了最新的一次性表现。

    Oct, 2023

  • 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

  • 基于 3D 模型的零样本姿态估计流水线

    本文介绍一个新的零样本视角估计管道，主要基于 3D 模型的零样本实例分割和零样本姿态估计。实验结果表明，该方法在速度和计算成本方面优于当前零样本状态的最佳方法。

    May, 2023

  • 快速单次拍摄检测与姿态估计

    该研究提出了一种多用途的卷积神经网络方法，该方法能够在单次识别中实现物体检测和粗略姿态估计，可以作为高精度姿态估计、物体跟踪和定位以及 vSLAM 等任务的预处理步骤。

    Sep, 2016