ECCVJul, 2022

PoserNet：利用物体探测精确优化相机相对姿态

PDF
TL;DR通过使用物体区域指导姿势估计问题，而不是显式语义物体检测，我们提出 Pose Refiner Network (PoserNet)—— 轻量级图神经网络来细化相机姿态的大致成对相对姿态。
camera posesobjectness regionspose refiner networkgraph neural networkmotion averaging algorithms
发现论文，激发创造
  • DualPoseNet：利用双姿态网络和姿态一致性精调学习的类别级别 6D 物体姿态和大小估计

    以 Single View Image 作为输入，本文提出一种基于 Dual Pose Network 的新方法来预测 6D 对象姿态（旋转、平移和大小），DualPoseNet 利用两个平行的姿态解码器在共享姿态编码器的基础上，对对象构成补充监督，加强对姿态的学习，同时在没有测试 CAD 模型的情况下使用隐式解码器进行精细化的姿态预测，得到了比现有方法更好的效果。

    Mar, 2021

  • 学习优化人体姿态估计

    本文介绍了一种姿势细化网络，它可以在现有神经网络的基础上直接预测细化的姿态。通过使用新颖的数据增强方案进行训练，我们的方法在四个大型姿势估计基准测试中得到了系统的改进。

    Apr, 2018

  • 使用图神经网络和相对姿态监督的视觉相机定位

    本研究提出了一种基于姿态回归网络和图神经网络相结合的视觉重新定位方法，可在没有内参信息的情况下达到与绝对姿态回归网络相当的准确性，同时保持相对姿态回归模型的高测试速度和对非训练场景的适用性。

    Apr, 2021

  • RPNet：一种端到端的相机姿态相对定位网络

    本文介绍了使用深度神经网络从原始图像像素中获取相对相机姿态估计的任务。提出的 RPNet 网络以成对的图像为输入，并直接推断相对姿态，无需相机内 / 外参数。通过使用 Cambridge 地标数据集上的实验结果表明，相对姿态的全翻译矢量的恢复很有前途，而且在传统方法不稳定的情况下更加准确和稳定。RPNet 是恢复相对姿态中全翻译矢量的首次尝试。

    Sep, 2018

  • DVMNet: 计算超越假设的未知物体的相对位姿

    通过深度体素匹配网络，本研究提出一种无需姿态假设的方法，在计算成本较低的情况下为新对象提供更准确的相对姿态估计。

    Mar, 2024

  • 卷积神经网络相对摄像机位姿估计

    本文提出了一种基于卷积神经网络的方法来估计两个相机之间的相对姿态，该方法采用来自两个相机的 RGB 图像作为输入，并直接输出相对旋转和平移。与 SURF、ORB 这些广泛使用的局部特征方法相比较，该方法采用端到端的方式训练，利用大规模分类数据集进行迁移学习，结果表明相对基准线有明显的改进。此外，本文还介绍了一种包含空间金字塔池化 (SPP) 层的网络结构变体，并证明进一步提高了性能。

    Feb, 2017

  • PoseNet：一种用于实时六自由度相机重定位的卷积网络

    本文提出了一个稳健而实时的单目六自由度重定位系统，使用卷积神经网络训练完成，无需其他工程或优化过程。

    May, 2015

  • 混合表示下的极端相对姿态网络

    本文介绍了一种新的 RGB-D 相对位姿估计方法，该方法适用于小重叠或非重叠扫描，并且可以输出多个相对位姿。该方法执行场景补全和匹配补全的扫描。

    Dec, 2019

  • 基于关系网络的 3D 人体姿态估计

    本文提出了一种基于神经网络的新型三维人体姿态估计算法，采用关系网络的结构来捕捉不同身体部位之间的关系，并使用每对不同身体部位生成的特征的平均值进行 3D 姿态估计，提出的网络在 Human 3.6M 数据集中实现了最先进的性能，并能在缺失关节的情况下有效地产生可信的结果。

    May, 2018

  • 用于相机姿态回归和优化的对抗网络

    提出了一种基于神经网络的直接相机位姿回归方法，通过使用鉴别器网络和对抗训练隐式地学习了 RGB 图像和相应相机位姿的联合分布，此方法不仅可以从单个 RGB 图像回归相机位姿，还可以通过使用鉴别器网络提供仅基于 RGB 的相机位姿精修解决方案，同时还可以通过优化预测的相机位姿从而提高定位精度。在公共数据集 7-Scenes 上验证了该方法并取得了比直接相机位姿回归方法更好的结果。

    Mar, 2019