ECCVJul, 2022

神经对应场用于物体姿态估计

PDF
TL;DR本文提出一种方法，通过单个 RGB 图像估计刚性物体的六自由度姿态，其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标，并借助全连接神经网络来实现神经对应场，最终使用 Kabsch-RANSAC 算法实现姿态估计，该方法在三个 BOP 数据集中都取得了最优结果。
6dof pose estimationrigid object3d modelneural correspondence fieldkabsch-ransac algorithm
发现论文，激发创造
  • 基于语义关键点的六自由度物体位姿估计

    本文提出了一种新的方法，使用卷积网络 (ConvNet) 预测语义关键点结合可变形形状模型，从单张 RGB 图像中估计物体的连续六自由度 (6-DoF) 姿态 (三维平移和旋转)，可以应用于基于实例和类别的姿态恢复，且无论是纹理还是无纹理对象均可。实验结果表明，该方法可在杂乱背景下准确地恢复实例和类别物体的 6-DoF 姿态，并在大规模 PASCAL3D+ 数据集上显示出最先进的精度。

    Mar, 2017

  • 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

  • BundleSDF：未知物体的 6 自由度神经跟踪和 3D 重建

    本研究提出了一种近实时的方法，可以从单目 RGBD 视频序列中对未知物体进行 6 自由度跟踪，并同时进行神经 3D 重建。该方法适用于任意刚体对象，即使视觉纹理基本不存在。该方法的关键在于同时学习神经对象场和姿态图优化过程，以稳健地累积信息以捕捉物体的几何和外观，而不需要其他信息和假设。本方法可以处理具有大的位姿变化，部分遮挡，无纹理表面和高光反射等挑战性序列，而且通过在 HO3D，YCBInEOAT 和 BEHAVE 数据集上的测试，证明本研究方法显著优于现有方法。

    Mar, 2023

  • EPOS：对具有对称性的物体估计 6D 姿态

    通过使用编码器 - 解码器网络以及 PnP-RANSAC 算法，估算单张 3D 模型可得的 RGB 输入图像中刚性对象的 6D 位姿，对具有全局或部分对称性的挑战性物体采用紧凑表面片段进行表示。

    Apr, 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

  • 几何对应场：野外场景下基于可学习可微分渲染的三维姿态细化

    使用不同 iable 渲染技术，利用几何对应场将深度神经网络从 RGB 图像中学到的知识传递到 3D 坐标系中，以优化 3D 姿态估计，并成功地在 Pix3D 数据集上实现了相对于现有方法高达 55％的改进。

    Jul, 2020

  • Fit-NGP：将物体模型与神经图形基元拟合

    一种基于密度场重建方法的准确稳健 3D 物体姿态估计系统，适用于小型具有挑战性反射表面的已知 3D 模型对象，并通过单个手腕摄像头驱动的机械臂，可以在几分钟内从零开始扫描场景、检测和估计多个对象的 6 自由度姿态。

    Jan, 2024

  • DeepHMap++：结合投影分组和对应关系学习的全自由度姿态估计

    本文提出一种基于卷积神经网络的 2 阶段模型，采用投影分组和对应关系学习方法预测物体位姿，优于现有的其他方法。

    Apr, 2019

  • Pix2Pose：用于物体 6D 姿态估计的像素级坐标回归

    提出了一种基于自编码器、Pix2Pose 的 6D 姿态估计方法，可以精确地检测对称目标并处理部分遮挡的问题，无需依赖专家知识或特殊扫描设备进行 3D 建模，且在三个基准数据集上表现优于现有方法。

    Aug, 2019

  • ZebraPose: 6DoF 物体姿态估计的粗细表面编码

    本文提出了一种基于离散描述符的 6DoF 物体姿态估计方法，通过学习物体表面密集编码和粗到细的训练策略，实现更精确的物体姿态估计，并在公共数据集上取得了超过现有方法的结果。

    Mar, 2022