二维姿态估计的 PnP 算法
通过考虑特征的 2D 和 3D 坐标的不确定性,提出了一种基于 EPnP 和 DLS 的 PnP (L) 求解器,将其应用于机器人和 AR / VR 系统中的相机定位,实验表明该方法在准确度方面优于现有算法,并使位姿估计出现提高。
Jul, 2021
本研究提出一种基于 1 点 RANSAC 的高效姿态估计方法,利用地面对象假设和 2D 对象边框作为附加观察来实现姿态计算,以实现最快的性能,并采用分层的鲁棒性估计方法来优化估计结果。在合成和实际数据集中的实验表明所提出的方法具有优越性。
Aug, 2020
本论文提出了一种统计上最优解决视角 - n - 点(PnP)问题的解决方案,该方案能够考虑观测的不确定性。该方法具有鲁棒性,可以适用于任意中心相机模型,并且具有实时处理能力。
Jul, 2016
该研究提出了一种基于端到端学习的盲 PnP 求解器,利用最近的优化问题微分研究结果将几何模型拟合集成到学习框架中,包括 Sinkhorn、RANSAC 和 PnP 算法,可有效地实现全局定位和三维场景点的快速估计
Jul, 2020
该论文提出了一种名为 EPro-PnP 的概率 PnP 层,用于在端到端位姿估计中输出 SE (3) 流形上的位姿分布,该原理统一了现有方法并类似于注意力机制, 成功地将 PnP 方法与任务特定的领袖之间的差距缩小,从而提高了 LineMOD 6 自由度位姿估计和 nuScenes 3D 对象检测的性能。
Mar, 2022
基于点线组合的三维姿态估计问题的新凸方法,使用统一的二次约束二次问题并通过 Shor 松弛法将其放松为半定规划,可以优雅地处理点和线的混合配置并在不确定的情况下恢复有限数量的解。实验结果表明,该方法不仅具有灵活性,而且结果与最好的现有方法相符。
Jul, 2019
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
本文提出了一种用于 3D 物体检测的 PnP 基于深度学习和概率密度的可微分神经网络层,通过最小化 KL 散度来学习 2D-3D 点匹配权重,实现了端到端的姿态估计和精准的物体定位。
Mar, 2023
本文提出了一种深度 CNN 模型,该模型能够同时解决 6 自由度绝对摄像机姿态和 2D-3D 对应关系,通过全局特征匹配模块和分类模块实现了对无先验知识的 2D-3D 对应关系的盲目 PnP 问题的有效解决。
Mar, 2020