CPPF++：基于投票聚合的不确定性感知 Sim2Real 物体位姿估计
计算机视觉与模式识别
2024-04-01 v3 机器学习
摘要
物体位姿估计是 3D 视觉领域的关键方向。尽管当代利用真实世界位姿标注的先进方法已展现出令人称赞的性能，但此类真实训练数据的获取成本高昂。本文关注一种仅使用 3D CAD 模型作为先验知识、不含任何背景或杂波信息的特定设定。我们引入一种新颖方法 CPPF++，专为 sim-to-real（模拟到真实）位姿估计设计。该方法建立在 CPPF 的基础点对投票方案之上，通过概率视角对其重构。为应对投票冲突带来的挑战，我们提出一种新方法，通过估计规范空间中每对点概率分布来建模投票不确定性。此外，我们通过引入 N 点元组增强了各投票单元所提供的上下文信息。为提升模型的鲁棒性与精度，我们加入了若干创新模块，包括噪声对过滤、在线对齐优化与元组特征集成。除方法进展外，我们引入一个名为 DiversePose 300 的新类别级位姿估计数据集。实证表明，我们的方法显著超越以往的 sim-to-real 方法，并在新数据集上取得可比或更优的性能。我们的代码见 https://github.com/qq456cvb/CPPF2。
引用
@article{arxiv.2211.13398,
title = {CPPF++: Uncertainty-Aware Sim2Real Object Pose Estimation by Vote Aggregation},
author = {Yang You and Wenhao He and Jin Liu and Hongkai Xiong and Weiming Wang and Cewu Lu},
journal= {arXiv preprint arXiv:2211.13398},
year = {2024}
}