我们开发了一种能够以超过 50 赫兹的速度为不同类别的对象创建变形点云的变形网格的方法,该方法使用点云自动编码器和 Real-NVP 架构设计,可以在闭环方式下提供在线反馈并进行机器人应用的网格重建和跟踪。
Nov, 2023
本文提出了一种从单一 RGB 图像中检测和重构多个 3D 物体的方法,通过逐步优化检测、对齐和形状重构,选择最佳的几个候选形状,并采用轻量化的重构技术进行快速、端到端的训练。
Dec, 2020
通过使用单个消费级 RGB-D 传感器以实时速率进行动态几何形状的重建,我们提出了一种新的方法,该方法不需要预定义的形状模板,并且在扫描过程中从头开始构建场景模型。采用了体积表示法对几何和运动进行参数化,并且基于提取的稀疏颜色特征与密集深度约束公式相结合实现了运动跟踪。从而保证了准确跟踪并大大降低了标准模型到深度对齐固有的漂移。同时,我们还将寻找空间最佳变形视为非线性正则化变分优化问题,并通过在本地平滑和靠近输入约束的同时实现了数据并行的翻转优化策略。研究结果表明,即使在快速运动和缺乏几何特征的场景下,也能实现稳健的跟踪。
Mar, 2016
我们研究了从真实大规模原始点云序列中自监督估计 3D 场景流的问题,该问题对于轨迹预测或实例分割等各种任务至关重要。我们提出了一种新颖的聚类方法,允许组合重叠的软聚类和非重叠的刚性聚类表示。我们的方法在多个具有 LiDAR 点云的数据集上进行了评估,证明了优于自监督基线的卓越性能,达到了最新的技术水平。特别是在解决含有行人、骑自行车者和其他易受伤害道路用户的复杂动态场景中,我们的方法表现出色。我们的代码将公开提供。
Apr, 2024
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
本文提出一种新的方法,在视觉目标追踪方面通过 3D 形态和位姿表达,结合可微分渲染技术优化一个新型的损失函数,取得了在三个数据集上追踪刚性物体方面的最新进展。
Apr, 2023
本文提出一种基于卷积神经网络的旋转估计方法,可以直接从原始点云片段中回归姿态向量,相较于现有方法更具鲁棒性且无需任何后处理,证明其在已知刚体对象的旋转估计方面具有竞争性表现。
Aug, 2018
通过形状补全方法构建稠密而完整的点云目标表示,从而实现鲁棒的三维跟踪,并借助体素化的关系建模模块和框精炼模块提高跟踪性能。
Dec, 2023
本文提出了一种离散连续的旋转回归公式来解决对称物体旋转不确定性问题,并通过点聚集向量来检测物体位置,并在 LINEMOD 和 YCB-Video 基准测试中得到比现有方法更好的表现。
Feb, 2020
本文提出一种联合估计高度运动模糊物体的 3D 运动、3D 形状和外观的方法,并通过基于链式法则求导的逆渲染技术实现快速运动物体的去模糊和三维重建。
Nov, 2021