CVPRMar, 2024

MRC-Net: 多尺度残差相关的 6 自由度姿态估计

PDF
TL;DR我们提出了一种单次拍摄方法，可以从一张 RGB 图像中确定具有 3D CAD 模型的物体的 6 自由度姿态。我们的方法称为 MRC-Net，包括两个阶段，利用 MRC 层获得输入图像和第一阶段渲染的高低级对应关系。MRC-Net 采用具有共享权重的孪生网络学习输入和渲染图像的嵌入表示。我们的方法在四个具有挑战性的 BOP 基准数据集上表现出色，超过了所有竞争的基于 RGB 的方法。我们的方法非迭代且不需要复杂的后处理。
发现论文，激发创造
  • DSC-PoseNet: 双尺度一致性学习 6DoF 目标位姿估计

    本文基于 2D 物体注释和 RGB 图像提出了一个双步骤的姿态估计框架，该框架使用 DSC-PoseNet 网络实现了基于差分渲染器的姿态估计，同时还利用自我监督学习生成伪标签进行训练，实验表明该方法在真实数据集上性能优于基于合成数据集的现有模型。

    Apr, 2021

  • 基于关键点的单阶段类别级别物体姿态估计

    该研究提出了一种基于关键点的方法，通过一个 RGB 图像作为输入，对已知类别内的未知目标实例进行目录级别的物体位姿估计，采用单阶段神经网络，并在 Objectron 基准测试中表现出比现有方法更好的性能

    Sep, 2021

  • 基于 RGB-D 图像的 6 自由度物体位姿估计的基于残差的密集点对点网络

    利用单个 RGB-D 图像，我们引入了一种新颖的方法来计算物体的 6DoF 姿态。通过密集对应，我们回归每个可见像素的物体坐标，从而有效降低输出空间并取得出色的性能，在 6D 姿态估计中胜过大多数先前的方法，特别是在遮挡场景中具有显著改进的优势。

    May, 2024

  • 单幅 RGB 帧的基于语义关键点的姿态估算

    该论文提出了一种从单个 RGB 图像中估计物体连续 6-DoF 姿态的方法，该方法结合了经卷积网络预测的语义关键点和可变形的形状模型，同时采用了半自动数据生成技术来训练可学习组件，在实验中该方法达到了与现有技术相当的结果。

    Apr, 2022

  • 从单目图像估计多人三维人体姿态

    通过提出的 HG-RCNN 网络，借助 Mask-RCNN 和 Hourglass 结构进行多人 3D 人体姿态估计，实现对每个感兴趣区域（RoI）中 2D 关键点的先预测后提升，最终采用弱透视投影模型和焦距和根偏移的联合优化将估计的 3D 姿态置于相机坐标系下，该网络简单模块化且无需多人 3D 姿态数据集，取得了 MuPoTS-3D 数据集的最优性能，并能近似在相机坐标系下估计 3D 姿态。

    Sep, 2019

  • 基于 RGB 的类别级物体姿态估计与解耦的度量尺度恢复

    本文提出了一种新颖的流程，通过解耦 6D 姿态和尺寸估计，减轻了单目观察带来的尺度不精确对刚性变换的影响，并借助预训练的单目估计器获取局部几何信息，以便搜寻二维 - 三维对应关系，并利用基于类别级统计的独立分支直接恢复物体的度量尺度，最后倡导使用 RANSAC-P$n$P 算法鲁棒求解 6D 物体姿态。在合成和真实数据集上进行了大量实验证明，相对于先前最先进的基于 RGB 的方法，我们的方法在旋转准确性方面表现出更高的性能。

    Sep, 2023

  • 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

  • LCR-Net++：自然图像中多人 2D 和 3D 姿态检测

    本文提出了一种 LCR-Net 架构，包括姿态候选生成器、姿态候选分类器和姿态回归器，可以同时预测多个人的 2D 和 3D 姿态，并且不需要初始人类本地化。该方法在姿态估计的表现上显著优于现有技术，特别是具有局部遮挡或图像边界截断的人体部分的情况。

    Mar, 2018

  • FastPoseCNN：实时单目类别级姿态和尺寸估计框架

    该研究论文的主要目标是开发一个在实时中给出单一 RGB 图像的看不见物体的姿态和尺寸估计框架。

    Jun, 2024

  • 基于语义关键点的六自由度物体位姿估计

    本文提出了一种新的方法，使用卷积网络 (ConvNet) 预测语义关键点结合可变形形状模型，从单张 RGB 图像中估计物体的连续六自由度 (6-DoF) 姿态 (三维平移和旋转)，可以应用于基于实例和类别的姿态恢复，且无论是纹理还是无纹理对象均可。实验结果表明，该方法可在杂乱背景下准确地恢复实例和类别物体的 6-DoF 姿态，并在大规模 PASCAL3D+ 数据集上显示出最先进的精度。

    Mar, 2017