DGECN：一种用于端到端6D位姿估计的深度引导边卷积网络
计算机视觉与模式识别
2022-04-22 v1
摘要
单目6D位姿估计是计算机视觉中的基础任务。现有工作常采用两阶段流程，通过建立对应并利用RANSAC算法计算6自由度(6DoF)位姿。近期工作尝试集成可微RANSAC算法以实现端到端6D位姿估计。然而，其中多数很少考虑三维空间中的几何特征，且在执行可微RANSAC算法时忽略了拓扑线索。为此，我们提出了一种深度引导边卷积网络(DGECN)用于6D位姿估计任务。我们从以下三方面作出努力：1) 利用估计的深度信息引导对应提取过程及级联可微RANSAC算法，并融入几何信息。2) 利用估计深度图的不确定性提升输出6D位姿的精度与鲁棒性。3) 我们提出一种通过边卷积的可微Perspective-n-Point(PnP)算法，以探索2D-3D对应间的拓扑关系。实验表明，我们提出的网络在效果与效率上均优于当前工作。
引用
@article{arxiv.2204.09983,
title = {DGECN: A Depth-Guided Edge Convolutional Network for End-to-End 6D Pose Estimation},
author = {Tuo Cao and Fei Luo and Yanping Fu and Wenxiao Zhang and Shengjie Zheng and Chunxia Xiao},
journal= {arXiv preprint arXiv:2204.09983},
year = {2022}
}
备注
Accepted by CVPR2022