Aug, 2023

DTF-Net: 通过可变形模板场进行类别级姿态估计与形状重建

HTML
PDF
TL;DRDTF-Net是一种基于物体类别的隐性神经场方法，通过设计可变形模板场、姿态回归模块和多模态表示提取模块，实现了场景中物体的姿态估计和形状重建，并通过REAL275和CAMERA25数据集的实验证明了其在综合环境下的出色性能以及对机械臂抓取任务的有效支持。
发现论文，激发创造
  • 使用深度形状先验和轮廓的单视图物体形状重建

    本文提出了一种在线优化的网络结构，通过避免依赖于深层神经网络的初始化，使用了概率形状先验指导深层特征以及图像线索，实现了从单个图像中重建三维形状，且相较于现有最先进方法，得到了可比较的结果。

    Nov, 2018

  • 基于形状先验变形的6D类别目标姿态与尺寸估计

    本研究提出了一种基于深度学习的方法，通过创建有关先前学习类别形状先验信息的3D对象模型并推断出深度观测和3D模型之间的密集对应关系，使得能够从RGB-D图像中恢复未看见的物体实例的6D姿态和大小。

    Jul, 2020

  • Deformed Implicit Field：学习稠密对应关系建模三维形状

    本论文提出了Deformed Implicit Field (DIF) 表示法来建模3D物品的形状，实现物品之间稠密的对应关系。DIF-Net神经网络通过学习一个特定类别的物品的形态潜在空间和这些物品的Deformation Field来实现对应关系的建立以及对物品形状差异的度量，还考虑了材质和形状编辑等应用。

    Nov, 2020

  • FS-Net：一种快速的基于形状的网络，用于解耦旋转机制的类别级6D物体姿态估计

    本文提出了一种快速形状网络（FS-Net），用于从单眼 RGB-D 图像中实现类别级 6D 姿态和大小的估计，该网络具有高效的类别级特征提取方法和新颖的解耦式旋转机制，该方法在两个基准数据集上实验表明取得了最佳性能。

    Mar, 2021

  • 级联关系和递归重建网络实现类别级6D物体位姿估计

    本文提出利用级联关系网络和递归重建网络进行精确的类别级别6D姿态估计，并通过稠密对应关系获得实例的6D姿态。

    Aug, 2021

  • 基于拓扑感知的变形场单视图三维重建

    无需对齐的图像集合，基于拓扑意识的隐式形变场的学习、随后进行形状重构，该方法名为TARS，在多个数据集中均取得了最先进的重构精度(ShapeNet, Pascal3D+, CUB, and Pix3D chairs)。

    May, 2022

  • 使用自我监督深度先验变形网络进行类别级6D物体姿态和尺寸估计

    本文针对Sim2Real的任务设置，提出了一种基于新型Deep Prior Deformation Network (DPDN) 实现的无监督域自适应方法，以改进类别级6D物体姿态和尺寸估计的成功率。通过将特征进行形变和对齐，DPDN 能够在特征空间建立深度对应，直接通过回归实现物体姿态和大小的估计，同时还使用自我训练和一致性识别等技术来进一步优化性能。

    Jul, 2022

  • 神经姿势表示学习用于生成和转移非刚性物体姿势

    我们提出了一种新的学习三维可变形物体姿态表示的方法，该方法能够在物体的不同标识和姿态之间进行解耦，并通过单一对象的变化实现多样化的姿态。通过设计姿态提取器和姿态应用器来实现姿态解耦、生成模型的紧凑性和可转移性，并利用隐式姿态应用器来提取姿态信息和实现目标对象的形状变化。通过实验验证了姿态转移和生成多样性变形形状的最新性能。

    Jun, 2024

  • 无监督学习基于物体为中心的视频中的类别级三维姿态

    从无人监督的以物体为中心的视频中学习估计类别级三维姿态，使用多视角对齐和密集对应的方法，我们的模型在无人监督下表现出色，提供了准确可靠的预测结果。

    Jul, 2024

  • ShapeICP：基于深度图的迭代类别级物体姿态与形状估计

    本研究解决了仅通过单个深度图像进行类别级物体姿态和形状估计的难题，填补了当前方法对未见领域泛化能力不足的空白。我们提出了一种新的迭代估计方法ShapeICP，无需依赖姿态注释数据，并引入了一种新的基于网格的物体活动形状模型。研究结果表明，ShapeICP在没有姿态注释数据的情况下，其性能超越了许多依赖姿态数据进行训练的数据驱动方法，为研究人员提供了新的探索方向。

    Aug, 2024