Jul, 2023

TransNet：透明物体操作通过类别级别姿态估计

PDF
TL;DR通过使用局部深度完成和表面法线估计，本文提出了一种名为 TransNet 的两阶段管道，用于估计透明物体的类别级姿势，该方法在大规模透明物体数据集上进行了评估，并与现有的类别级姿势估计方法进行了比较。比较结果表明，TransNet 在透明物体的姿势估计准确度方面取得了改进，并且我们利用 TransNet 构建了一个用于机器人抓取、放置和倒液的自主透明物体操作系统。
transparent objectsvisual perception systemsdepth sensorscategory-level transparent object pose estimationtransnet
发现论文，激发创造
  • TransNet: 透明物体类别级别的姿态估计

    TransNet 是一种使用局部深度补全和表面法向量估计技术来实现透明物体类别级位姿估计的两阶段管道，能够比同类别级位姿估计方法更好的提高位姿估计的准确性。

    Aug, 2022

  • 基于后视 NOCS 的双目图像透明物体类别级别的 6D 姿态估计

    提出了一种新的基于立体影像系的分类物体姿态估计框架 StereoPose，能够有效地解决透明物体的姿态识别问题，并通过使用反视 NOCS 映射和视差注意力模块等方法，进一步优化了算法的性能。

    Nov, 2022

  • 透明物体深度补全

    我们提出了一种透明物体深度补全的端到端网络，结合了基于单视图 RGB-D 的深度补全和多视图深度估计的优点，并引入了基于置信度估计的深度细化模块，进一步改进了恢复的深度图。在 ClearPose 和 TransCG 数据集上进行的大量实验证明，与现有方法相比，我们的方法在具有显著遮挡的复杂场景中实现了更高的准确性和鲁棒性。

    May, 2024

  • MVTrans：透明物体的多视角感知

    本论文提出了一种名为 MVTrans 的新型多视点方法，采用多种感知能力，包括深度估计、分割和姿态估计，可用于透明物体检测，并建立了一个逼真的数据集合成管道 Syn-TODD 用于网络训练。

    Feb, 2023

  • TransPose: 一个基于 Transformer 的六自由度物体姿态估计网络与深度修正

    该研究提出了一种改进的基于 Transformer 的 6D 位姿估计方法 TransPose，它利用 RGB 图片作为输入，结合轻量级深度估计网络和变压器检测网络，并通过深度细化模块对位姿进行精度优化，在果树采摘应用方面取得了优于其他现有方法的效果。

    Jul, 2023

  • Seeing Glass: 透明物体的点云和深度联合补全

    提出了一种新的透明物体的深度补全方法 TranspareNet，并成功建立了几乎 15000 张 RGB-D 图像的数据集 TODD，该方法不仅能够在复杂场景下对透明物体的深度进行精确的补全，而且也能够很好地处理有关干扰和混杂问题。

    Sep, 2021

  • TransGrasp：从单个标记实例转移夹持抓取姿态以估计一个物品类别的夹持抓取姿态

    该研究提出了 TransGrasp，一种基于类别级别的抓取姿态估计方法，可以通过标记一个物体实例来预测一个物体类别的抓取姿态，并通过抓取姿态迁移实现抓取动作。实验表明，该方法可以实现高质量的抓取，并提供了源代码。

    Jul, 2022

  • ClearPose: 大规模透明物体数据集和基准

    本研究针对透明物体的属性，提出了一种大规模真实世界 RGB-Depth 透明物体数据集，命名为 ClearPose，用于定量评价分割、场景级深度完成和物体居中姿态估计的任务，该数据集包含超过 350K 个标记的真实世界 RGB-Depth 帧和 5M 个实例注释涵盖 63 种家庭物品等。

    Mar, 2022

  • KeyPose：透明物体多视图三维标注与关键点估计

    该论文提出了一种基于双目视觉输入的深度神经网络，称为 KeyPose，并使用该网络从 RGB 相机标记的三维关键点预测物体姿势，即使在透明物体的情况下也能取得比现有方法更好的 3D 姿态估计表现。

    Dec, 2019

  • 从单个示例学习类别级别物体表示以估计姿态

    该研究提出了一种基于单个对象检查实现类别级姿态估计的方法，通过利用多视角对应关系从而为未见过的对象的姿势估计提供更精确的结果，并展示了该方法在连续学习环境下的应用。

    May, 2023