BiCo-Net：全局回归、局部匹配以实现鲁棒 6D 位姿估计
计算机视觉与模式识别
2022-05-10 v1
摘要
学习鲁棒 6D 位姿函数的挑战在于 1）严重遮挡与 2）深度图像中的系统性噪声。受点对面特征成功的启发，本文目标是通过在模型空间与相机空间之间局部匹配有向点对面，从 RGB-D 图像中分割恢复物体实例的 6D 位姿。为此，我们提出一种新颖的双向对应映射网络（BiCo-Net），先由典型位姿回归引导生成点云，从而融入位姿敏感信息以优化局部坐标及其法向量的生成。由于经几何计算的位姿预测仅依赖单对有向局部点，我们的 BiCo-Net 能对稀疏与遮挡点云保持鲁棒。来自局部匹配与直接位姿回归的冗余位姿预测集成进一步针对噪声观测精炼最终位姿输出。在三个流行基准数据集上的实验结果可验证我们的方法能达到 SOTA 性能，尤其对更具挑战性的严重遮挡场景。源代码见 https://github.com/Gorilla-Lab-SCUT/BiCo-Net。
引用
@article{arxiv.2205.03536,
title = {BiCo-Net: Regress Globally, Match Locally for Robust 6D Pose Estimation},
author = {Zelin Xu and Yichen Zhang and Ke Chen and Kui Jia},
journal= {arXiv preprint arXiv:2205.03536},
year = {2022}
}
备注
Accepted by IJCAI 2022