蒸馏3D独特局部描述符以用于6D姿态估计
计算机视觉与模式识别
2025-11-11 v3
摘要
三维局部描述符对于编码几何表面属性至关重要，使其成为各种点云理解任务的基础。在这些描述符中，GeDi展示了强大的零样本6D姿态估计能力，但由于其昂贵的推理过程，在实际应用中仍然计算上不切实际。我们能否在保留GeDi有效性的同时显著提高其效率？在本文中，我们通过引入一个知识蒸馏框架来探索这个问题，该框架训练一个高效的学生模型从GeDi教师模型回归局部描述符。我们的关键贡献包括：一个高效的大规模训练过程，确保在计算和存储约束下对遮挡和部分观测具有鲁棒性，以及一种处理来自非独特教师描述符弱监督的新型损失公式。我们在五个BOP基准数据集上验证了我们的方法，并展示了推理时间的显著减少，同时保持了与现有方法相当的性能，使零样本6D姿态估计更接近实时可行性。
引用
@article{arxiv.2503.15106,
title = {Distilling 3D distinctive local descriptors for 6D pose estimation},
author = {Amir Hamza and Andrea Caraffa and Davide Boscaini and Fabio Poiesi},
journal= {arXiv preprint arXiv:2503.15106},
year = {2025}
}
备注
Project Website: https://tev-fbk.github.io/dGeDi/