基于灵活向量化旋转表示的类别级 6D 物体位姿估计
计算机视觉与模式识别
2023-01-31 v2
摘要
本文提出一种新颖的基于 3D 图卷积的流程，用于从单目 RGB-D 图像进行类别级 6D 位姿与尺寸估计。该方法利用高效的 3D 数据增强与一种新颖的基于向量的解耦旋转表示。具体而言，我们首先设计带有 3D 图卷积的方向感知自编码器用于潜特征学习。得益于 3D 图卷积的平移与尺度不变性，所学潜特征对点平移与尺寸不敏感。随后，为从潜特征高效解码旋转信息，我们设计了一种新颖的灵活基于向量的可分解旋转表示，其采用两个解码器互补地获取旋转信息。所提旋转表示有两大优势：1）解耦特性使旋转估计更易；2）向量的灵活长度与旋转角度使我们能为特定位姿估计任务找到更合适的向量表示。最后，我们提出一种 3D 形变机制以提升流程的泛化能力。大量实验表明所提流程在类别级任务上达到最先进性能。此外，实验证明所提旋转表示比其他旋转表示更适用于位姿估计任务。
引用
@article{arxiv.2212.04632,
title = {Category-Level 6D Object Pose Estimation with Flexible Vector-Based Rotation Representation},
author = {Wei Chen and Xi Jia and Zhongqun Zhang and Hyung Jin Chang and Linlin Shen and Jinming Duan and Ales Leonardis},
journal= {arXiv preprint arXiv:2212.04632},
year = {2023}
}
备注
revised from CVPR2021 paper FS-NET. arXiv admin note: substantial text overlap with arXiv:2103.07054