Aug, 2024

ShapeICP：基于深度图的迭代类别级物体姿态与形状估计

HTML
PDF
TL;DR本研究解决了仅通过单个深度图像进行类别级物体姿态和形状估计的难题，填补了当前方法对未见领域泛化能力不足的空白。我们提出了一种新的迭代估计方法ShapeICP，无需依赖姿态注释数据，并引入了一种新的基于网格的物体活动形状模型。研究结果表明，ShapeICP在没有姿态注释数据的情况下，其性能超越了许多依赖姿态数据进行训练的数据驱动方法，为研究人员提供了新的探索方向。
发现论文，激发创造
  • 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

  • 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

  • 基于类别的三维物体感知的最优姿态和形状估计

    本文提出了一个主要解决物体类别感知问题的非凸优化模型，其中包括针对模型内部变异性的解决方案，将图形学和优化算法相结合，以提高汽车姿态估计等领域的精度和鲁棒性。

    Apr, 2021

  • iCaps: 迭代式类别级物体姿态和形状估计

    本文提出了一种基于自编码器、粒子滤波和LatentNet的类别水平6D目标姿态和形状估计方法，可用于跟踪类别中未见过的物体的6D姿态和估计它们的3D形状。

    Dec, 2021

  • GPV-Pose: 基于几何引导的点级投票的类别级物体姿态估计

    提出了一种基于几何学的、适用于具有严重类内形状变化的物体类别级别姿态估计系统GPV-Pose，该系统通过引入自信驱动旋转表示法和几何引导的点对点投票模式来提高分类级别姿态敏感特征的学习，并利用不同的输出流来实现几何一致性项的推理，优于公共基准测试的最新竞争对手，同时在20 FPS的实时推理速度下几乎达到最佳表现。

    Mar, 2022

  • 基于后视 NOCS 的双目图像透明物体类别级别的6D姿态估计

    提出了一种新的基于立体影像系的分类物体姿态估计框架StereoPose，能够有效地解决透明物体的姿态识别问题，并通过使用反视NOCS映射和视差注意力模块等方法，进一步优化了算法的性能。

    Nov, 2022

  • 从单个示例学习类别级别物体表示以估计姿态

    该研究提出了一种基于单个对象检查实现类别级姿态估计的方法，通过利用多视角对应关系从而为未见过的对象的姿势估计提供更精确的结果，并展示了该方法在连续学习环境下的应用。

    May, 2023

  • DTF-Net: 通过可变形模板场进行类别级姿态估计与形状重建

    DTF-Net是一种基于物体类别的隐性神经场方法，通过设计可变形模板场、姿态回归模块和多模态表示提取模块，实现了场景中物体的姿态估计和形状重建，并通过REAL275和CAMERA25数据集的实验证明了其在综合环境下的出色性能以及对机械臂抓取任务的有效支持。

    Aug, 2023

  • 基于深度学习的物体姿态估计：综述

    基于深度学习的物体姿态估计的最新进展、挑战和未来研究方向的综述。

    May, 2024

  • 无监督学习基于物体为中心的视频中的类别级三维姿态

    从无人监督的以物体为中心的视频中学习估计类别级三维姿态，使用多视角对齐和密集对应的方法，我们的模型在无人监督下表现出色，提供了准确可靠的预测结果。

    Jul, 2024