基于深度形态先验的不确定性感知三维物体级建图

Sep, 2023

基于深度形态先验的不确定性感知三维物体级建图

Uncertainty-aware 3D Object-Level Mapping with Deep Shape Priors

Ziwei Liao, Jun Yang, Jingxing Qian, Angela P. Schoellig, Steven L. Waslander

TL;DR提出一个基于学习生成模型和概率不确定性优化框架的方法，用于在没有对象CAD模型的情况下进行高质量的未知对象的三维重建和定位，并且通过引入形状和姿态的不确定性，得到了能够准确反映对象地图错误的姿态和形状不确定性。

Abstract

3d object-level mapping is a fundamental problem in robotics, which is especially challenging when object CAD models are unavailable during inference. In this work, we propose a framework that can reconstruct high-quality object-level maps for →

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

基于概率重建网络的单张图片3D形态推断

使用基于概率推理的重建框架，探索了基于不同形状表示和适当的学习架构的端到端学习策略，从而实现了从单个图像推断三维形状。通过我们的Probabilistic Reconstruction Networks，使用基本的体素网格表征，实现了在ShapeNet数据集上的新的交集和移动距离评估指标的最新成果。

Aug, 2019

NodeSLAM: 多视角形状重建的神经物体描述符

通过多类学习对象描述符和新颖的渲染引擎，可以从一个或多个RGB-D图像中进行精确和鲁棒的3D对象重建，从而实现了多种应用，同时具备联合优化对象姿态和形状以及相机轨迹的能力。

Apr, 2020

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

用于三维形态建模与重建的深度优化先验

该研究提出了一种新的3D建模和重建学习框架，通过连接基于学习和基于优化的方法的优点并优化学习的先验和潜在编码，提高了深度生成器的广义性。实验结果显示，该方法在处理高度稀疏或坍塌的观测数据方面比现有方法都有优势。

Dec, 2020

通过学习局部和全局形状先验层次来促进单视图3D重建的泛化

该文利用不同层次的位置先验信息从输入的深度图中提取详细的局部信息并进行组合，从而改进了新颖形状的泛化能力，具有更好的泛化性能。

Apr, 2021

多视角 3D 物体重建和不确定性建模与神经形状先验

通过神经对象表示学习对象形状分布并将其映射到潜在空间，我们利用不确定性感知编码器直接从单个输入图像生成具有不确定性的潜在代码以模拟3D物体重建领域中的不确定性，并在贝叶斯框架下提出增量融合方法来融合多视角观测的潜在编码，从而提高3D对象重建的准确性。

Jun, 2023

估计3D不确定域：量化神经辐射场的不确定性

基于学习的不完整场景几何构建的3D不确定性场，可以明确识别未见区域，推理高不确定性，并适用于实际机器人任务。

Nov, 2023

PT43D：基于单一高度模糊 RGB 图像生成三维形状的概率变换器

提出了一种基于Transformer的自回归模型，根据可能以高度模糊的观测图像为基础的RGB图像，生成3D形状的概率分布，该模型采用交叉注意力机制，有效地识别形状生成的最相关兴趣区域，并在合成数据和真实数据上得到优于现有方法的结果。

May, 2024

基于稀疏视图的通用对象级映射与3D扩散先验

本研究解决了传统对象级映射中因部分遮挡和传感器噪声导致的形状不完整和姿态估计不准确的问题。提出的GOM系统利用3D扩散模型作为多类别支持的形状先验，能够同时输出纹理和几何信息，显著提升了从稀疏视图进行多类别映射的性能，实现了比现有最先进方法更精确的映射结果。

Oct, 2024