基于单视图 RGB 图像的类级三维非刚性配准
计算机视觉与模式识别
2020-08-18 v1 机器人学
摘要
在本文中，我们提出了一种利用卷积神经网络（CNNs）从 RGB 图像求解三维非刚性配准问题的新方法。我们的目标是找到一个形变场（通常用于在实例间传递知识，例如抓取技能），该形变场将给定的三维规范模型扭曲为通过单视图 RGB 图像观察到的新型实例。这是通过训练一个 CNN 来推断规范模型可见部分的形变场，并利用学习到的形状（潜在）空间来推断被遮挡部分的形变而实现的。作为配准的结果，观察到的模型被重建。由于我们的方法不需要深度信息，它可以配准通常难以被 RGB-D 传感器感知的物体，例如具有透明或光亮表面的物体。即使没有深度数据，我们的方法在评估的物体类别上也优于相干点漂移（CPD）配准方法。
引用
@article{arxiv.2008.07203,
title = {Category-Level 3D Non-Rigid Registration from Single-View RGB Images},
author = {Diego Rodriguez and Florian Huber and Sven Behnke},
journal= {arXiv preprint arXiv:2008.07203},
year = {2020}
}
备注
Accepted final version. In 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)