Mar, 2024

GS-Pose：通用分割 6D 物体位姿估计的级联框架

PDF
TL;DRGS-Pose 是一个端到端的定位和估计物体 6D 姿态的框架，通过构建三种不同的表示形式，利用逐步定位、检索方法和渲染比较方法，以适应各个阶段的合适物体表示，并利用可用的工具链和常见硬件进行新对象的数据捕捉和数据库添加。在 LINEMOD 和 OnePose-LowTexture 数据集上进行广泛评估，取得了卓越的性能，建立了新的最先进技术。
gs-pose6d poseobject representationretrieval approachdifferentiable rendering
发现论文，激发创造
  • 基于分割的 6D 物体姿态估计

    本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

    Dec, 2018

  • Gen6D: 从 RGB 图像中实现通用的无模型 6-DoF 物体姿态估计

    本文介绍了一种通用的无模型 6 自由度物体姿势估计模型 ——Gen6D。该模型不需要高质量物体模型，不需要深度图或物体遮蔽物，在任何环境下只需要物体的几张照片便可以准确预测物体的姿态。在实验中，Gen6D 在两个无模型数据集上达到了最新成果，以及在 LINEMOD 数据集上与特定实例的姿势估计相比展现出一定的竞争力。

    Apr, 2022

  • GS-Pose: 基于几何和语义一致的类别级目标姿态估计

    类别级别姿态估计是一项具有挑战性的任务，近期深度学习方法取得了很大进展，但常常受到需要大量数据集或精心调整的逼真模拟器的限制。为了解决这个冲突，我们提出利用从预训练基础模型中获取的几何和语义特征，通过将 2D 特征从基础模型投影到三维空间来对单个类别的物体模型进行匹配，并在训练好的匹配网络上处理对未见物体实例的新的单视图观测，这比先前方法需要的数据量显著减少。我们通过丰富的评估结果表明了这一点，并展示了比先前方法更好的性能。

    Nov, 2023

  • Deep-6DPose：从单个 RGB 图像中恢复 6D 物体姿态

    本文介绍了一种名为 Deep-6DPose 的端到端深度学习框架，可以从单个 RGB 图像中同时检测、分割并恢复目标实例的 6D 姿态。实验表明，Deep-6DPose 比目前基于 RGB 的多阶段姿态估计方法更快，并且在标准的姿态基准数据集上显示出与现有方法相当的好的效果。

    Feb, 2018

  • EfficientPose: 一种高效、准确和可伸缩的端到端六自由度多物体位姿估计方法

    本文介绍了 EfficientPose，一种用于 6D 物体姿态估计的高效、准确及可扩展的新方法，并提出了一种直接 6D 估计方法的新型增强方法 6D augmentation，相较于其他方法，该方法通过单镜头相机捕捉多个物体的 2D 边界框并估计其全部 6D 姿态能够显著提高运行速度并取得 97.35% 的精确度。

    Nov, 2020

  • GSNet: 结合几何和场景感知监督进行车辆姿态和形状重建

    GSNet 采用独特的四向特征提取和融合方案，直接回归 6DoF 姿态和形状，实现从单眼图像中重建具有细节的三维车形。

    Jul, 2020

  • FS6D: 对新物体进行少样本 6D 姿态估计

    本文探讨了一种新的开放式少样本目标 6D 姿态估计问题，并提出了一种密集的 RGBD 原型匹配框架，加上深度外观和几何相关性的先验，以及一种在线纹理融合方法，为解决这个问题建立了基准。

    Mar, 2022

  • 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

  • 利用 RGB 图像进行少样本泛化学习，估计 6DoF 位姿

    本研究提出一种名为 Cas6D 的级联框架，该框架对六自由度物体姿态进行少样本学习的估计，使用自监督预训练 ViT 积累鲁棒特征、用特征金字塔进一步精炼姿态和借助离散化姿态搜索范围和渐进式缩小姿态搜索范围的特性克服了 6DoF 姿态估计中的一些常见失败模式。该研究表明，相较于 OnePose ++ 和 Gen6D，在 32-shot 设定下，Cas6D 在 LINEMOD 和 GenMOP 数据集上的定位精度分别提高了 9.2％和 3.8％（Proj-5）。

    Jun, 2023

  • EPOS：对具有对称性的物体估计 6D 姿态

    通过使用编码器 - 解码器网络以及 PnP-RANSAC 算法，估算单张 3D 模型可得的 RGB 输入图像中刚性对象的 6D 位姿，对具有全局或部分对称性的挑战性物体采用紧凑表面片段进行表示。

    Apr, 2020