Cycle-Correspondence Loss：从无标签且无序的 RGB 图像中学习稠密视图不变视觉特征

近年来，依赖于学习对象中心描述符的机器人操控变得流行。视觉描述符可以轻松描述操控任务目标，能够使用自监督方式高效学习，并且能够编码作用力和即使是非刚性对象。然而，要以自监督方式学习鲁棒的、对视图不变的关键点，需要精细的数据收集方法，涉及精确的标定和专业监督。在本文中，我们引入了 Cycle-Correspondence Loss（循环对应损失，CCL）用于视图不变的稠密描述学习，采用循环一致性的概念，使数据收集流程简单化，并能够在未成对的 RGB 相机视图上进行训练。关键思想是通过尝试使用对新图像的预测来预测原始图像中的原始像素，同时根据估计的置信度对误差项进行比例缩放，以自动检测有效的像素对应。我们的评估显示，我们在其他自监督 RGB-only 方法上取得了优势，接近有监督方法的性能，无论是针对关键点跟踪还是机器人抓取下游任务。