Mar, 2024

基于扩散驱动的自监督学习用于形状重建和姿态估计

PDF
TL;DR我们引入了一种扩散驱动的自监督网络，用于多目标形状重建和分类姿态估计，并且仅利用形状先验信息，通过点卷积层和图卷积层来捕捉姿态特征和形状信息，通过预训练和精炼的自监督训练范式训练我们的网络。实验证明，我们的方法明显优于最先进的自监督分类级别基准，并且甚至超过一些全监督实例级别和分类级别方法。
fully-supervised category-level pose estimationself-supervised trainingshape reconstructiondiffusion-driven self-supervised networkmulti-objective tasks
发现论文，激发创造
  • 利用 SE（3）等变性进行自监督分类目标位姿估计

    该研究提出了一个基于自监督学习框架和 SE (3) 等变点云网络的类别级别物体位姿估计方法，可在没有真值姿态注释、CAD 模型和多视图监督的情况下，从单独的 3D 点云中进行类别级别的六自由度物体位姿估计， 并在多个基准测试上验证了该方法的有效性。

    Oct, 2021

  • 利用自监督形状与姿态网络从图像集合转换为点云

    提出了一种深度学习技术，用于从单个图像进行三维物体重建。与以往的方法不同的是，该方法使用只有单一视角的图像进行训练，并具有自我监督学习能力，可实现与使用更多监督信息的方法相媲美的性能。该方法还可以进行测试时间优化。

    May, 2020

  • 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

  • 可微分点云的无监督形状和姿态学习

    该研究使用卷积神经网络训练能够从单个图像预测出物体的 3D 形状和相机姿态的模型，并通过一组 pose 预测器进行姿势模糊处理，并利用可微分 3D 点云投影技术来获取高保真度的形状模型。

    Oct, 2018

  • 基于扩散模型的生成式类别级物体位姿估计: GenPose

    本文提出了一种基于条件生成建模的目标姿态估计方法，该模型采用基于得分的扩散模型来估计对象姿态，借助二步过程（似然度估计和均值池化）从扩散模型中抽样候选项并综合其结果，约束了不确定性。该方法在 REAL275 数据集上实现了最先进的性能，且不需要微调即可适应具有相似对称性质的新类别，且能够产生与当前最先进的基线相当的结果。

    Jun, 2023

  • 学习无姿态注释的类别级物体姿态估计器

    提出了一种不需要姿态标注的类别级三维物体姿态估计方法，通过使用扩散模型生成一组具有姿态差异的图像，并利用图像编码器和新颖的学习策略解决噪声和伪影问题，实现了从单次拍摄中对类别级物体姿态的估计，并在少样本类别级物体姿态估计基准上显著优于其他先进方法。

    Apr, 2024

  • 关键点预测下的目标姿态自监督学习

    本文提出了一种基于自监督学习的关键点预测方法来进行相机位姿预测及三维目标物体的在线重建的深度学习网络，并在几个数据集上进行了实验，取得了显著的改进。

    Feb, 2023

  • 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

  • 形状推姿：任意三维物体的深度姿态估计

    我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的 3D 模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的 3D 对象。

    Jun, 2019

  • 基于自监督的类别级联物体姿态估计与部件级 SE (3) 等变性

    这篇论文提出了一种基于自监督学习的方法，通过部分等变形状分析提取规范形状和物体姿态，再通过刚性变换描述部件从规范空间到相机空间的转换，实现未知关节感知物体的层次化姿态估计。

    Feb, 2023