基于姿态条件网格重建的精确 6D 物体位姿估计
计算机视觉与模式识别
2020-09-04 v1
摘要
当前的 6D 物体位姿方法由针对单一物体充分优化的深度 CNN 模型构成，但其架构在不同形状的物体间是标准化的。与以往工作相反，我们在位姿估计模型中显式利用每个物体独特的拓扑信息，即 3D 稠密网格，该过程自动化且在任何后处理细化阶段之前进行。为实现此目标，我们提出一种学习框架，其中图卷积神经网络重建物体的姿态条件 3D 网格。通过以可微分方式计算规范网格与重建稠密 3D 网格之间的 Procrustes 对齐，恢复出鲁棒的外中心方向估计。随后利用额外的掩码与 2D 质心投影估计提升得到 6D 内中心位姿。我们的方法能够通过测量重建网格的质量自行验证其位姿估计，这在实际应用中极具价值。在 LINEMOD、OCCLUSION 与 YCB-Video 基准上的实验中，所提方法优于现有最优方法。
引用
@article{arxiv.1910.10653,
title = {Accurate 6D Object Pose Estimation by Pose Conditioned Mesh Reconstruction},
author = {Pedro Castro and Anil Armagan and Tae-Kyun Kim},
journal= {arXiv preprint arXiv:1910.10653},
year = {2020}
}