ICLRMar, 2023

一个在 SO (3) 上受拉普拉斯启发的概率旋转估计分布

PDF
TL;DR本文提出了一种基于 Laplace 分布的 Rotation Laplace 分布，用于解决单 RGB 图像 3DoF 旋转估计的问题，其具有鲁棒性和更好的收敛效果，并在概率和非概率基线上实现了最先进的旋转回归任务表现。
rotation regressionprobabilistic modelinglaplace distributionoutlier-robustnessso(3)
发现论文，激发创造
  • 通过旋转拉普拉斯分布实现对 SO（3）的鲁棒概率建模

    本研究提出了一种新的基于 Laplace 分布的旋转概率模型，相较于高斯 Bingham 分布和 Matrix Fisher 模型更具鲁棒性，可以提高旋转回归任务的性能，并在半监督旋转回归和对称对象多解决方案空间等方面具有优势。

    May, 2023

  • 用矩阵费歇尔分布进行概率方向估计

    文章通过使用深度神经网络学习输出矩阵费舍尔分布参数来实现在 3D 旋转集合（$SO (3)$）上估计概率分布；并使用负对数似然损失优化生成具有凸损失的模型从而在 Pascal3D +，ModelNet10-$SO (3)$ 和 UPNA 头部姿势等多个挑战性数据集上获取了 state-of-the-art 的结果。

    Jun, 2020

  • 隐式概率密度函数：在旋转流形上的非参数表示

    本研究提出了一种基于非参数分布的单幅图像姿态估计方法，该方法使用神经网络隐式地表示任意姿态的概率分布，并考虑了不确定性和多重对称问题。该方法在处理三维姿态复杂分布时表现优异。

    Jun, 2021

  • FisherMatch: 基于熵过滤的半监督旋转回归

    本文提出了一种利用矩阵费舍尔分布来建立旋转的概率模型，通过估计预测不确定性的信息熵来实现伪标签过滤的半监督旋转回归方法，并在不同基准测试中实现了显着和一致的性能提升。

    Mar, 2022

  • 动态三维重建的离散拉普拉斯算子估计

    本论文提出了一种通用的范式来处理来自多个独立和不受控制的图像来源的 3D 动态重建问题，该问题具有任意时间采样密度和分布，通过图表论的方法建立空间 - 时间关系，通过三重凸优化框架来进行重建，在运动捕捉数据和多视图图像数据集上进行实验，并探讨几何事件分割和数据关联的应用。

    Aug, 2019

  • 关于不确定深度旋转学习的 SO (3) 置信度的平滑表示

    本文介绍了一种用于学习模型的 Symmetric Matrix 表征方法，它满足平滑性和对单元四元数的置信度建模，可用于机器人感知领域中的精确旋转估计，包括 VO 和对象姿态估计。作者针对点云数据和图像数据进行了实证验证，并证明该方法可有效提高对未知环境及图像的鲁棒性。

    Jun, 2020

  • 基于层级运动学概率分布的野外图像 3D 人体形状和姿态估计

    通过训练深度神经网络，使用人体运动树结构来估计相对 3D 关节旋转矩阵的分层矩阵费舍尔分布（即身体姿态）和 SMPL 身体形状参数的高斯分布，实现了对 3D 人体形状和姿态的分布性预测，能够有效地量化预测不确定性并从中采样出多种可能的 3D 重建形式，从而解释给定的输入图像。

    Oct, 2021

  • 对象姿态估计的学习方向分布

    本研究提出了两种学习方法来估计物体方向的分布，考虑到姿态估计的不准确性和物体的对称性，这些方法能够增强现有的位姿估计器，并在未知对称性的物体上表现出更好的性能。

    Jul, 2020

  • 从自由旋转的三维刚体的图像中学习可解释的动态学

    本文提出一种物理知识指导的神经网络模型，能够从图像序列中估算预测旋转刚体的 3D 动力学，多阶段预测管道映射图像到与 SO (3) 同胚的潜在表示，通过学习得到的哈密顿表示，利用哈密顿运动方程预测未来的潜在状态。

    Sep, 2022

  • 揭示拉普拉斯近似用于不确定性估计的经验病理

    本研究评估了贝叶斯方法在深度学习中用于不确定性估计的方法，重点关注广泛应用的 Laplace 近似及其变体。我们的研究发现，传统的拟合 Hessian 矩阵的方法对于处理超出分布的检测效率产生了负面影响。我们提出了一种不同的观点，认为仅关注优化先验精度可以在超出分布检测中产生更准确的不确定性估计，并保持适度的校准度。此外，我们证明了这种特性与模型的训练阶段无关，而是与其内在性质相关。通过广泛的实验评估，我们证实了我们简化方法在超出分布领域中优于传统方法的优越性。

    Dec, 2023