Aug, 2024

OP-Align：自监督类别层级关节物体姿态估计的物体级和部分级对齐

HTML
PDF
TL;DR本研究解决了类别层级关节物体姿态估计中，未知关节物体变化多端形状和姿态的问题。我们提出了一种利用单帧点云的自监督方法，能够生成规范姿态的重建，并有效减少整体姿态方差，同时实现各部分与重建部分的对齐。实验结果表明，该方法显著优于以往的自监督方法，并在真实世界场景中具有良好表现。
发现论文，激发创造
  • 类别层级关节对象姿态估计

    本文介绍了一种使用深度图像实现类别级姿态估计的新方法，该方法基于Articulation-aware Normalized Coordinate Space Hierarchy（ANCSH）构建了一种针对不同类别中的关节控制物体各个部分的规范表示，并提出了基于PointNet ++的深度网络来预测ANCSH。实验结果表明，该模型能够实现更好的物体姿态估计和关节参数估计。

    Dec, 2019

  • 通过重构对齐进行新型物体视角估计

    本文提出了一种新的物体观察视点估计方法，使用图像对齐替代传统的依赖于三维模型或大量特定类别数据的方法，并在多个数据集上进行实验验证。

    Jun, 2020

  • CAPTRA: 基于点云的刚体和关节物体类别级位姿跟踪

    该论文提出了一个统一的框架来处理品类、实例以及部位的姿态追踪问题，其中9DoF姿态表示通过3D错套边框实现。通过三个模块的组合提高9DoF姿态的精度达到了最优，成为了该领域的新的最优实践方法。

    Apr, 2021

  • 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

  • CATRE：用于类别级别目标姿态细化的迭代点云对齐

    该研究提出了一个基于点云的分类目标姿态和大小优化方法CATRE，它能够迭代地从点云中增强初始姿态估计以产生准确的结果，并且相较于其他基于先前的对应或直接回归方法，在多个实验库中实现了竞争的结果。

    Jul, 2022

  • 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

  • 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

  • PARIS: 用于关节目标的部件级重建与运动分析

    给定两个静态关节状态下物体的多视图图像，我们提出了一种自我监督的、端到端的架构PARIS，通过学习部分级隐式形状和外观模型，联合优化运动参数而无需任何3D监督、运动或语义标注，以解决关节物体的同时部分重建和运动参数估计的问题。

    Aug, 2023

  • OV9D：开放词汇类别级别9D物体姿态和尺寸估计

    研究一种新的开放问题，即开放词汇类别级别的对象姿态和尺寸估计。介绍了一个基于预训练模型构建的框架，利用大规模数据集进行训练，并在各种文本描述的情况下实现了广泛推广。

    Mar, 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