解决基于对应方法中实例级物体姿态估计中的对称性歧义
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
本文研究了对象的对称性与其在图像中的出现之间的联系,并提出了一种基于姿态旋转归一化的简单有效的解决方案,并在 T-Less 数据集上验证了该方法。
Aug, 2019
本研究提出了一种新的密集对应方法,用于从单个 RGB-D 图像估计对象的六自由度姿态。与现有的数据驱动方法相比,该方法通过使用分层二进制曲面编码以粗略到精细的方式建立 3D-3D 对应关系,并在表面上采用点到曲面匹配和迭代地收缩曲面直至成为对应点,逐渐去除异常值。在公共基准测试集 LM-O、YCB-V 和 T-Less 上进行了大量实验,结果显示我们的方法超越了所有无精炼方法,并且与高成本的精炼方法相媲美。关键是,我们的方法计算效率高,可以在具有高准确性要求的实时关键应用中使用。代码和模型将被发布。
Nov, 2023
提出了一种基于自编码器、Pix2Pose 的 6D 姿态估计方法,可以精确地检测对称目标并处理部分遮挡的问题,无需依赖专家知识或特殊扫描设备进行 3D 建模,且在三个基准数据集上表现优于现有方法。
Aug, 2019
本文提出了一种用于从单个 RGB-D 图像估计刚性物体 6D 姿态的计算高效的回归框架,可应用于处理对称物体,并且在特征提取方面使用全卷积神经网络 XYZNet, 直接回归 6D 姿态,并且设计了对称不变的姿态距离度量,称为平均 (最大) 分组基元距离或 A (M) GPD, 在 YCB-Video 和 T-LESS 数据集上进行的大量实验表明,该提出的框架在高准确性和低计算成本方面具有显着优越性。
Apr, 2022
本文提出了一种基于离散描述符的 6DoF 物体姿态估计方法,通过学习物体表面密集编码和粗到细的训练策略,实现更精确的物体姿态估计,并在公共数据集上取得了超过现有方法的结果。
Mar, 2022
本文介绍了如何使用旋转对称性来进行姿态估计,提出了一种能够通过训练来识别具有旋转对称性的物体的模型,使用未标记的 CAD 模型数据来提高算法性能,并在新的姿态数据集上测试了算法性能。
Oct, 2018
本文提出一种方法,通过单个 RGB 图像估计刚性物体的六自由度姿态,其中通过 3D 模型在摄像机视锥中采样三维查询点预测三维物体坐标,并借助全连接神经网络来实现神经对应场,最终使用 Kabsch-RANSAC 算法实现姿态估计,该方法在三个 BOP 数据集中都取得了最优结果。
Jul, 2022
我们提出的 Sparse Color-Code Net (SCCN) 是一个清晰简洁的流水线设计,通过利用目标物体的稀疏几何特征加快计算过程,在 RGB 图像上对目标物体进行像素级预测,同时引入了基于像素级几何的物体对称表示方法,有效解决了对称物体的歧义问题。SCCN 在 NVIDIA Jetson AGX Xavier 上实现了 19 帧 / 秒和 6 帧 / 秒的估计速度,并且在这些速率下始终保持高准确度。
Jun, 2024
本研究旨在解决 3D 物体检测与姿态估计的评估问题,通过自动技术生产全注释 RGBD 数据的多个对象,并提出一致的评估方法和数据集,以获得更高的性能表现。
Jun, 2018