EfficientPose 6D：面向 6D 物体姿态估计的可扩展且高效方法
计算机视觉与模式识别
2025-02-21 v1 人工智能
机器学习
摘要
在需要实时反馈的工业应用中，如质量控制和机器人操作，对于高速且精准姿态估计的需求仍然至关重要。尽管近期的进展不断提升姿态估计的速度和精度，但在计算效率与精度之间找到平衡点，尤其在动态环境中，仍面临着显著挑战。大多数现有算法在估计时间上的可扩展性方面存在不足，尤其是针对多样化数据集，而当前的前沿方法往往速度过慢。本研究致力于开发一套快速且可扩展的姿态估计器，基于 GDRNPP，以满足或超越当前基准在精度和鲁棒性方面的要求，特别是针对实时场景中不可或缺的效率-精度权衡。我们提出了 AMIS 算法，依据特定应用中推断时间与精度之间的权衡，对所采用的模型进行优化。我们进一步展示了 AMIS 基于模型选择在四个著名基准数据集（LM-O、YCB-V、T-LESS 和 ITODD）上的有效性。
引用
@article{arxiv.2502.14061,
title = {EfficientPose 6D: Scalable and Efficient 6D Object Pose Estimation},
author = {Zixuan Fang and Thomas Pöllabauer and Tristan Wirth and Sarah Berkei and Volker Knauthe and Arjan Kuijper},
journal= {arXiv preprint arXiv:2502.14061},
year = {2025}
}