基于相对监督的深度投影旋转估计

朝向估计是相机与物体位姿估计等多种视觉与机器人任务的核心。深度学习提供了一种开发基于图像的朝向估计器的方法；然而，此类估计器通常需要在大型标注数据集上训练，而收集此类数据可能耗时费力。在本工作中，我们探究能否利用无标注数据的自监督学习来缓解该问题。具体而言，我们假设可获取相邻位姿间相对朝向的估计值，例如可通过局部对齐方法获得。尽管自监督学习已成功用于平移物体关键点，但在本工作中，我们表明将相对监督朴素地应用于旋转群 $SO(3)$ 常会因旋转空间的非凸性而收敛失败。为应对该挑战，我们提出了一种用于自监督朝向估计的新算法，其利用修正罗德里格斯参数将 $SO(3)$ 的闭流形立体投影到 $\mathbb{R}^{3}$ 的开流形，从而可在开放欧氏空间中进行优化。我们在两种设定下通过实验验证了所提算法在旋转平均问题上的优势：（1）直接对旋转参数进行优化，以及（2）对从图像预测物体朝向的卷积神经网络参数进行优化。在这两种设定中，我们都证明所提算法比纯粹在 $SO(3)$ 空间中运行的算法更快地收敛到一致的相对朝向坐标系。更多信息见 https://sites.google.com/view/deep-projective-rotation/home 。