CheckerPose：基于图神经网络渐进式密集关键点定位的物体位姿估计
计算机视觉与模式识别
2023-08-15 v2
摘要
从单张RGB图像估计刚性物体的6自由度位姿是一项关键且具有挑战性的任务。近期研究已展示基于密集对应方案的巨大潜力，但仍需改进以达到实际部署。本文提出一种名为CheckerPose的新颖位姿估计算法，在三个主要方面做出改进。首先，CheckerPose从3D物体表面密集采样3D关键点，并在2D图像中渐进式地寻找其2D对应点。与以往在图像空间进行密集采样的方案相比，我们的策略使得对应搜索可在2D网格（即像素坐标）中进行。其次，针对我们的3D到2D对应，我们设计了一种紧凑的二进制编码表示用于2D图像位置。该表示不仅允许渐进式对应细化，还将对应回归转化为更高效的分类问题。第三，我们采用图神经网络显式建模所采样的3D关键点之间的相互作用，进一步提升对应的可靠性和准确性。这些新颖组件共同使CheckerPose成为一种强力的位姿估计算法。在流行的Linemod、Linemod-O和YCB-V物体位姿估计基准上评估时，CheckerPose明显提升了基于对应方法的准确率并取得了最先进的性能。代码见https://github.com/RuyiLian/CheckerPose。
引用
@article{arxiv.2303.16874,
title = {CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network},
author = {Ruyi Lian and Haibin Ling},
journal= {arXiv preprint arXiv:2303.16874},
year = {2023}
}
备注
Accepted by ICCV2023